Despliega un modelo de visión en edge para inspección de aceitunas
Visión general
De qué trata este proyecto.
Optimiza un modelo de visión con cuantización int8 para edge, mide su rendimiento en hardware real y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Desplegar un modelo de visión en edge a 12 FPS o más en Jetson Nano o Raspberry Pi 4 que clasifique defectos en aceitunas con calidad aceptable tras cuantización.
Earning criteria — what you'll demonstrate
- Aplicar transfer learning a un dataset de visión industrial real
- Cuantizar modelos a int8 sin degradar calidad por encima de un umbral
- Benchmark de inferencia en hardware edge real, no en escritorio
- Comunicar trade-offs entre coste de hardware y calidad/FPS
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Learning (CS Elective)
Master · Cs Se
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 canónicosIngeniera de Machine Learning
Entrenar, cuantizar y desplegar un modelo de visión en hardware edge real es el portafolio que las empresas de agritech, manufactura y retail piden a su próxima MLE con perfil de despliegue.
Este proyecto afina
- deep-learning
- model-optimization
- deployment
Ingeniera de Visión por Computador
Las CV engineers que dominan transfer learning y cuantización para edge resuelven el último 20 por ciento que rara vez se aprende en cursos académicos.
Este proyecto afina
- computer-vision
- deep-learning
- edge-computing
Ingeniera MLOps
Las MLOps que entienden el despliegue en edge gestionan mejor flotas de dispositivos y planes de actualización OTA.
Este proyecto afina
- deployment
- model-optimization
- edge-computing