Detecta defectos en aceitunas para una conservera murciana
Visión general
De qué trata este proyecto.
Entrena un modelo para detectar defectos en aceitunas y supera el 90% de macro-F1. Obtén tu certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Entrenar un clasificador 4-clases sobre aceitunas con macro-F1 ≥90 % y latencia ≤120 ms en hardware ARM.
Earning criteria — what you'll demonstrate
- Aplicar transfer learning desde una red preentrenada en ImageNet
- Diseñar augmentaciones que reflejen variación real de captura
- Medir latencia como métrica de primera clase para deployment edge
- Realizar análisis de errores cualitativo para iterar el dataset
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Machine Perception
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/a de Visión por Computador
Clasificación con MobileNet fine-tuneado para edge es el primer proyecto típico de CV junior en industria.
Este proyecto afina
- image-classification
- transfer-learning
- edge-deployment
Ingeniero/a de Machine Learning
Medir latencia y ajustar arquitectura para hardware concreto es músculo central de MLE en producto.
Este proyecto afina
- pytorch
- edge-deployment
- model-evaluation
Ingeniero/a de IA
Llevar un modelo desde dataset etiquetado a prototipo medible es el flujo diario del AI Engineer.
Este proyecto afina
- image-classification
- data-augmentation
- model-evaluation