Quantifier un détecteur de piétons pour caméra ADAS embarquée
Aperçu
En quoi consiste ce défi.
Vous quantifiez un détecteur piéton pour ADAS (PTQ, QAT) et exportez un modèle 8 bits optimisé. Vous obtenez un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Le détecteur de piétons flottant est trop lourd et trop lent pour l'accélérateur neuronal embarqué de la caméra ADAS.
Earning criteria — what you'll demonstrate
- Appliquer la quantification post-entraînement et l'entraînement conscient de la quantification sur un CNN réel
- Évaluer les compromis entre précision, latence et empreinte mémoire propres à l'inférence embarquée
- Concevoir une architecture de modèle adaptée aux contraintes matérielles (hardware-aware design)
- Produire une analyse de performance mesurable et défendable techniquement
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceIngénieur Machine Learning
Ce défi construit une expérience directe de mise en production de modèles sous contraintes réelles, une compétence centrale pour tout poste d'ingénierie Machine Learning orienté performance.
Ce défi renforce
- quantization
- model-compression
- analytical-reasoning
Ingénieur Logiciel Embarqué
La manipulation directe des contraintes mémoire et latence d'un NPU embarqué prépare à collaborer efficacement avec des équipes de logiciel embarqué automobile.
Ce défi renforce
- hardware-aware-design
- quantization
- model-compression
Ingénieur en Vision par Ordinateur
Optimiser un détecteur de piétons pour l'embarqué renforce la maîtrise des architectures de vision par ordinateur adaptées aux contraintes de production.
Ce défi renforce
- ai-native-architecture
- quantization
- analytical-reasoning
Ingénieur MLOps
Le pipeline reproductible de conversion et de benchmarking constitue une brique typique des flux de déploiement de modèles gérés par les équipes MLOps.
Ce défi renforce
- model-compression
- hardware-aware-design
- analytical-reasoning