Visión general
De qué trata este proyecto.
Recibes 2.400 fotos anotadas con máscara de zona afectada y etiqueta de enfermedad (tres clases + sana). Entrena un U-Net ligero (encoder MobileNetV3 small o ResNet18) para segmentación binaria afectada/no-afectada, y una cabeza de clasificación adicional sobre el crop afectado. Evalúa Dice score para segmentación y F1 macro para clasificación. Entrega Notebook con 30 ejemplos visualizados.
El Briefing
Lo que harás y lo que demostrarás.
Conseguir Dice > 0,75 en segmentación y F1 macro > 0,72 en clasificación de enfermedad sobre el holdout.
Earning criteria — what you'll demonstrate
- Entrenar una U-Net para segmentación binaria
- Aplicar augmentations apropiadas (color jitter, flips)
- Evaluar segmentación y clasificación con métricas estándar
- Diseñar un experimento simple pero reproducible
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
U-Net + clasificación es el flujo típico que un CV engineer junior construye en proyectos agroindustriales.
Este proyecto afina
- semantic-segmentation
- cnn
- deep-learning
Ingeniero de Aprendizaje Automático
Entrenar, evaluar y comunicar un modelo de visión con métricas honestas es trabajo cotidiano del MLE junior.
Este proyecto afina
- deep-learning
- pytorch
- model-evaluation