Detección de Peatones Nocturnos para un OEM Automotor Catalán
Visión general
De qué trata este proyecto.
Entrena un detector YOLOv8 con 25.000 imágenes nocturnas, evalúa métricas estratificadas y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Mejorar [email protected] nocturno en al menos 8 puntos vs. baseline day-only, con estratificación honesta por iluminación y distancia.
Earning criteria — what you'll demonstrate
- Aplicar detectores modernos (YOLO, RT-DETR) a un problema de seguridad
- Estratificar métricas por condiciones operativas relevantes
- Diseñar augmentations efectivas para el dominio nocturno
- Comunicar trade-offs a un equipo de seguridad de producto
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
AI for Autonomous Vehicles
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 de Visión por Computadora
Entrenar detectores con estratificación de métricas y análisis de fallos es trabajo cotidiano del CV engineer en automoción.
Este proyecto afina
- object-detection
- deep-learning
- model-evaluation
Ingeniero de Aprendizaje Automático
El pipeline reproducible y la disciplina de métricas es directamente el músculo del MLE junior en producto.
Este proyecto afina
- pytorch
- data-augmentation
- model-evaluation
Investigador en Seguridad de IA
Estratificación honesta por condiciones operativas y análisis de fallos críticos es práctica directa de safety en sistemas físicos.
Este proyecto afina
- model-evaluation
- object-detection
- domain-adaptation