Cuantiza un Modelo de Detección de Plagas en Olivar de Jaén
Visión general
De qué trata este proyecto.
Cuantiza un modelo PyTorch a int8 para detectar plagas, mide latencia en ESP32-S3 y entrega el binario. Obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Cuantiza un detector de plagas para correr en un microcontrolador con pérdida de precisión acotada y latencia adecuada para captura cada 30 segundos.
Earning criteria — what you'll demonstrate
- Aplicar cuantización post-entrenamiento y con conciencia del entrenamiento (QAT)
- Medir latencia y consumo en hardware embebido real
- Diagnosticar pérdida de precisión por clase tras la cuantización
- Tomar decisiones de despliegue con datos de hardware, no solo de modelo
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Edge ML and On-Device Machine Learning
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.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero en Aprendizaje Automático
Empaquetar un modelo PyTorch en un binario embebido con pérdidas medidas es trabajo de día uno de un MLE en agritech o IoT industrial.
Este proyecto afina
- quantization
- edge-deployment
- pytorch
Ingeniero MLOps
La pipeline reproducible y la tabla de regresión cubren prácticas clave de un MLOps Engineer que mantiene modelos en producción.
Este proyecto afina
- benchmarking
- quantization
- tflite-micro
Ingeniero en IA
Conectar modelo, conversor, hardware y consumo es exactamente el trabajo de pegamento que pide un puesto AI Engineer en IoT.
Este proyecto afina
- edge-deployment
- tflite-micro
- benchmarking