Pflanzen-Erkennungs-App für ein Freiburger Naturschutz-Projekt
Übersicht
Worum es bei diesem Projekt geht.
Trainiere einen ResNet18 auf Pflanzenbildern, baue eine Streamlit-App und analysiere den Performance-Unterschied. Erhalte ein verifizierbares Zertifikat.
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.
Computer Vision (Undergraduate)
Bachelor · 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 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