Acelera inferencia de visión en edge para una empresa de logística portuaria
Visión general
De qué trata este proyecto.
Convierte un modelo YOLOv8s a ONNX y TensorRT, aplica fusión de operadores y FP16, mide fps y mAP, y logra ≥30 fps. Recibirás un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Llevar el modelo de detección de contenedores de su rendimiento actual a >= 30 fps en Jetson Xavier NX sin perder más de 1 punto de mAP.
Earning criteria — what you'll demonstrate
- Optimizar inferencia en hardware edge bajo restricciones reales
- Aplicar técnicas de compilación y precisión mixta sin degradar calidad
- Diseñar un benchmark incremental que aísle el efecto de cada técnica
- Comunicar trade-offs de optimización a un equipo de operaciones portuarias
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning Systems
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Ingeniero/a de Machine Learning
Optimizar modelos para edge con restricciones de fps y latencia es una de las competencias más diferenciadoras para un MLE en logística e industria.
Este proyecto afina
- model-optimization
- tensorrt
- pytorch
Ingeniero/a de Visión por Computador
Saber portar un detector entrenado a un runtime optimizado sin perder mAP es trabajo nuclear de un ingeniero CV en cualquier producto con cámaras en el edge.
Este proyecto afina
- computer-vision
- edge-deployment
- model-optimization
Ingeniero/a MLOps
El despliegue a una flota de hardware edge con guía operativa es el lado de plataforma del MLOps moderno.
Este proyecto afina
- edge-deployment
- benchmarking
- tensorrt