Reconocimiento de Logos en Imágenes Móviles para una App de Cartagena (Colombia)
Visión general
De qué trata este proyecto.
Recibes 4.000 imágenes etiquetadas de los 25 logos (recolectadas por el equipo en calle) y 800 imágenes negativas (escenas urbanas sin logo). Aplica transfer learning sobre un backbone preentrenado (ResNet18 o EfficientNet-B0), evalúa accuracy top-1 y top-3, y reporta especialmente accuracy bajo perturbaciones (brillo extremo, rotación, oclusión parcial). Entrega memoria con propuesta de extensión a más logos.
El Briefing
Lo que harás y lo que demostrarás.
Conseguir accuracy top-1 superior al 88% en condiciones normales y superior al 75% bajo perturbaciones controladas.
Earning criteria — what you'll demonstrate
- Aplicar transfer learning con backbone preentrenado
- Diseñar augmentations realistas (perturbaciones)
- Evaluar robustez con métricas separadas por condición
- Exportar el modelo a ONNX para integración móvil
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
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
Transfer learning + evaluación de robustez es el flujo cotidiano del CV engineer junior en aplicaciones móviles.
Este proyecto afina
- transfer-learning
- image-classification
- cnn
Ingeniero de IA
Exportar a ONNX para integrar en app móvil es directamente el músculo del AI engineer.
Este proyecto afina
- pytorch
- image-classification
- model-evaluation