Verkehrsteilnehmer-Erkennung für einen Stuttgarter Premium-OEM verbessern
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein YOLOv8-Modell mit 18.000 Stadt-Frames und Edge Cases, optimiere die Detektion und erhalte ein verifizierbares Zertifikat.
Das Szenario
Der OEM produziert pro Jahr rund 800.000 Premium-Fahrzeuge und investiert dreistellige Millionen-Beträge in eigene Wahrnehmungs-Stacks, die heute durchschnittlich alle 18 Monate ein größeres Update bekommen.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich die Fußgängererkennung in Innenstadt-Edge-Cases so verbessern, dass die Falsch-Positiv-Rate messbar sinkt, ohne dass die Standard-mAP einbricht?
Earning criteria — what you'll demonstrate
- Moderne Detektorarchitekturen auf eine reale Domäne fine-tunen
- Edge Cases systematisch als Trainingssignal nutzen
- Detektions-Metriken pro Slice ehrlich bewerten
- Eine Wahrnehmungs-Iteration nach Industrierhythmus dokumentieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Studienzuordnung folgt in Kürze.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Object Detection
Apply object detection to solve real industry problems and demonstrate production-level capability.
- Transfer Learning
Apply transfer learning to solve real industry problems and demonstrate production-level capability.
- Edge Case Analysis
Apply edge case analysis to solve real industry problems and demonstrate production-level capability.
- Pytorch
Apply pytorch to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
- Data Augmentation
Apply data augmentation to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Computer Vision Engineer
Wahrnehmungsmodelle auf Edge Cases hin zu verbessern und sauber zu bewerten ist die alltägliche Arbeit der CV-Teams in OEMs und Tier-1-Zulieferern in der DACH-Region.
Dieses Projekt schärft
- object-detection
- edge-case-analysis
- transfer-learning
Machine Learning Engineer
Eine reproduzierbare Trainings-Pipeline mit Slice-Bewertung ist die Brücke zur produktiven MLE-Arbeit in einem Wahrnehmungs-Stack.
Dieses Projekt schärft
- pytorch
- model-evaluation
- data-augmentation
Applied AI Scientist
Ein Modell-Iterationsschritt vor einer Update-Entscheidung sauber zu dokumentieren ist Kernarbeit von Applied AI Scientists in automotiven Wahrnehmungsteams.
Dieses Projekt schärft
- edge-case-analysis
- model-evaluation
- object-detection
Noch eine Sache