Modell-Pruning für ein Fahrer-Müdigkeitssystem im Automotive-ECU
Übersicht
Worum es bei diesem Projekt geht.
Prune ein ResNet-18-Müdigkeits-CNN, fine-tune es und exportiere es als ONNX. Optimiere die Latenz und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Bringe ein Müdigkeits-Erkennungs-CNN per structured Pruning unter ein 35-ms-Latenz-Budget auf Automotive-ECU-Hardware ohne nennenswerten Genauigkeitsverlust.
Earning criteria — what you'll demonstrate
- Structured Pruning praxisnah implementieren und mit Fine-Tuning kombinieren
- Hardware-aware Design-Entscheidungen anhand realer Mess-Latenz treffen
- Modelle nach ONNX exportieren und gegen Edge-Runtimes benchmarken
- Trade-offs Genauigkeit vs. Latenz für eine Programm-Entscheidung kondensieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Edge ML and On-Device Machine Learning
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-Ingenieur:in
Pruning und Latenz-Optimierung auf Automotive-ECUs sind das Brot-und-Butter-Geschäft von ML-Ingenieurinnen bei Tier-1-Zulieferern in der DACH-Region.
Dieses Projekt schärft
- model-pruning
- hardware-aware-design
- pytorch
Computer-Vision-Ingenieur:in
Innenraumkamera-Pipelines mit harten Latenz-Budgets sind ein typisches Computer-Vision-Engineering-Projekt im Automotive-Bereich.
Dieses Projekt schärft
- pytorch
- onnx
- edge-inference
MLOps-Ingenieur:in
Reproduzierbare Pruning- und Benchmark-Pipelines, die in einer Programm-Statusmeldung münden, sind genau die Aufgabe automotive-naher MLOps-Teams.
Dieses Projekt schärft
- benchmarking
- edge-inference
- onnx
Noch eine Sache