Construye un pipeline de imágenes para clasificar defectos en línea de calzado
Visión general
De qué trata este proyecto.
Recibirás 4.500 imágenes etiquetadas (3 clases: OK, defecto leve, defecto severo) capturadas con una webcam industrial. Construye un pipeline en PyTorch con un modelo preentrenado (transfer learning desde ResNet-50 o EfficientNet-B0), aumenta los datos (data augmentation) razonablemente, y reporta matriz de confusión, F1 macro, y un análisis cualitativo de errores con 20 imágenes mal clasificadas. Empaqueta el resultado como un script de inferencia que reciba una imagen y devuelva la clase + confianza.
El Briefing
Lo que harás y lo que demostrarás.
Entregar un clasificador de defectos de suela con F1 macro ≥ 0,90 y un script de inferencia que la planta pueda integrar.
Earning criteria — what you'll demonstrate
- Aplicar transfer learning desde un modelo de visión preentrenado
- Diseñar aumentos de datos razonables para imágenes industriales
- Evaluar un clasificador multiclase con métricas alineadas al coste del error
- Empaquetar un modelo para inferencia con una interfaz simple
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
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.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero/a de Machine Learning
Entrenar un clasificador de visión con transfer learning y empaquetarlo como script de inferencia es trabajo cotidiano de MLE en cualquier empresa con inspección automatizada.
Este proyecto afina
- pytorch
- transfer-learning
- deployment-packaging
Ingeniero/a de Visión por Computador
Diseñar el pipeline de imagen, justificar los aumentos de datos y analizar errores cualitativamente es la habilidad nuclear de una persona ingeniera de visión junior en manufactura.
Este proyecto afina
- computer-vision
- data-augmentation
- model-evaluation
Científico/a Aplicado/a de IA
Traducir el coste industrial de un falso negativo en una métrica de evaluación clara es lo que distingue al científico aplicado del puramente investigativo.
Este proyecto afina
- model-evaluation
- computer-vision
- transfer-learning