Detecta defectos en piezas automotrices con un CNN en línea
Visión general
De qué trata este proyecto.
Entrena un CNN con 12.000 imágenes automotrices para detectar 4 defectos y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Entrena un CNN de detección de defectos con recall mayor o igual a 98 por ciento en defectos críticos y latencia menor a 80ms en Jetson Orin Nano.
Earning criteria — what you'll demonstrate
- Entrenar y comparar arquitecturas CNN modernas sobre dataset industrial real
- Aplicar class balancing y data augmentation efectivos en datasets desbalanceados
- Cuantizar modelos a INT8 sin pérdida material de recall
- Optimizar inference para edge devices con restricciones de latencia
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Deep Learning for Computer Vision
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 Computador
Defect detection en línea es uno de los casos más demandados de CV industrial; este reto da experiencia documentable end-to-end.
Este proyecto afina
- cnn
- defect-detection
- edge-deployment
Ingeniero de Aprendizaje Automático
Cuantización y despliegue en edge son habilidades centrales del MLE en producto físico.
Este proyecto afina
- pytorch
- model-quantization
- edge-deployment
Ingeniero de MLOps
Empaquetar el modelo para despliegue reproducible en hardware específico es trabajo del MLOps engineer en manufactura.
Este proyecto afina
- model-quantization
- edge-deployment
- cnn