Pflanzen-Erkennungs-App für ein Freiburger Naturschutz-Projekt
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten 8.000 gelabelte Pflanzenbilder aus iNaturalist (auf die 25 regionalen Arten gefiltert) plus 200 Bilder, die Ehrenamtliche selbst gemacht haben (mit handheld-typischen Verzerrungen). Trainieren Sie einen ResNet18-Klassifikator und bewerten Sie ihn getrennt auf iNaturalist und Ehrenamtlichen-Daten — der Unterschied zeigt das echte Einsatzproblem. Bauen Sie eine kleine Streamlit-App zum Hochladen eines Bildes und Top-3-Vorschlägen mit Konfidenz. Liefern Sie das Training, die App, einen Bewertungsreport und einen Förderantrags-tauglichen Steckbrief (1 Seite).
Das Briefing
Was Du tust und was Du zeigst.
Wie gut funktioniert ein Pflanzen-Klassifikator für 25 regionale Schwarzwald-Arten auf Ehrenamtlichen-Bildern im Vergleich zu sauberen iNaturalist-Bildern?
Earning criteria — what you'll demonstrate
- Bildklassifikation mit Transfer Learning üben
- Domain Shift zwischen Trainings- und Einsatzdaten verstehen
- Datenaugmentierung gezielt nutzen
- Förderantrags-tauglich kommunizieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
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 RollenMachine Learning Engineer
Ein vollständiger ML-Mini-Zyklus von Daten bis App ist genau das, was Junior-MLEs in Einstiegspositionen liefern.
Dieses Projekt schärft
- image-classification
- transfer-learning
- model-evaluation
Computer Vision Engineer
Domain Shift zwischen Trainings- und Einsatzdaten ehrlich zu messen ist eine zentrale Disziplin, die CV Engineers früh üben sollten.
Dieses Projekt schärft
- image-classification
- data-augmentation
- model-evaluation
AI Engineer
Eine kleine Web-App auf einem Modell aufzusetzen ist die niederschwelligste Form von AI-Engineering und perfekter Erstkontakt mit Deployment.
Dieses Projekt schärft
- pytorch
- deployment-planning
- image-classification
Noch eine Sache