Reconocimiento de Productos en Estantería para un Distribuidor Retail en Bogotá
Visión general
De qué trata este proyecto.
Recibes 9.000 fotos de estantería con bounding boxes y etiquetas a nivel SKU (220 SKUs distintos). Combina detección (DETR o YOLO) + clasificación fine-grained sobre el crop. Evalúa [email protected] a nivel SKU y accuracy top-1 en clasificación. Compara contra verificador humano en 200 fotos con doble anotación. Entrega memoria con propuesta de integración en la app del visitador.
El Briefing
Lo que harás y lo que demostrarás.
Conseguir [email protected] > 0,72 a nivel SKU y accuracy top-1 > 0,82 en clasificación, validado contra verificador humano.
Earning criteria — what you'll demonstrate
- Combinar detección + clasificación fine-grained
- Manejar long tail de SKUs (algunos con pocas muestras)
- Evaluar fine-grained con métricas adecuadas
- Diseñar integración pensando en latencia 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
Detección + fine-grained es trabajo cotidiano del CV engineer en retail visual.
Este proyecto afina
- object-detection
- fine-grained-classification
- deep-learning
Ingeniero de Aprendizaje Automático
Pipeline detect+classify con long tail y métricas honestas es el músculo del MLE en producto.
Este proyecto afina
- pytorch
- model-evaluation
- data-augmentation
Ingeniero de IA
Pensar integración móvil con latencia objetivo es el músculo del AI engineer en producto.
Este proyecto afina
- pytorch
- fine-grained-classification
- model-evaluation