Visión general
De qué trata este proyecto.
Recibes 6 horas de video (10 cámaras, 1080p, 15 fps) con anotación MOT (identidades + boxes por frame) sobre 90 segundos por cámara como ground truth. Integra un detector preentrenado (YOLOv8 o equivalente) con un tracker moderno (ByteTrack, BoT-SORT). Evalúa MOTA (Multi-Object Tracking Accuracy), IDF1 (ID-F1) e ID switches por cámara. Reporta también FPS por cámara en GPU media.
El Briefing
Lo que harás y lo que demostrarás.
Conseguir MOTA > 0,68 y IDF1 > 0,72 por cámara con FPS por cámara > 12 en GPU media.
Earning criteria — what you'll demonstrate
- Integrar detector preentrenado con tracker moderno
- Evaluar tracking con métricas estándar (MOTA, IDF1)
- Razonar sobre throughput multi-cámara
- Diseñar despliegue por etapas con criterios cuantitativos
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
MOT con métricas estándar es trabajo cotidiano del CV engineer en seguridad operacional y logística.
Este proyecto afina
- multi-object-tracking
- object-detection
- video-analysis
Ingeniero de Aprendizaje Automático
Integrar detector + tracker con métricas operativas es el músculo del MLE en producto operativo.
Este proyecto afina
- pytorch
- model-evaluation
- performance-engineering
Ingeniero de MLOps
Despliegue por etapas multi-cámara con FPS objetivo es directamente el músculo del MLOps engineer.
Este proyecto afina
- performance-engineering
- video-analysis
- pytorch