Программист компьютерного зрения (OpenCV, YOLO)

Что предстоит делать

Ищем программиста со знанием OpenCV, YOLO и нейросетевых моделей компьютерного зрения для работы с видео-аналитикой и обучения ИИ-моделей анализа видео. Нужно разработать модуль анализа видео, который принимает видеопоток с камеры, обнаруживает нужные объекты, отслеживает их движение и формирует результат в виде структурированных данных. Также требуется обучить или дообучить модель под конкретные объекты и сценарии. Ожидаемый результат: рабочий прототип анализа видео; обученная или дообученная модель YOLO; инструкция по запуску и обучению; скрипты для инференса, тестирования и оценки качества; возможность интеграции результата в основное приложение. Основные задачи: • Разработка системы анализа видеопотока с камер. • Детекция, классификация и трекинг объектов на видео. • Работа с моделями YOLO: обучение, дообучение, тестирование и оптимизация. • Подготовка датасетов: сбор, разметка, очистка, аугментация данных. • Настройка пайплайна обучения модели: train / validation / test. • Оптимизация модели под работу в реальном времени. • Интеграция видеоаналитики в существующее приложение или сервер. • Работа с RTSP/IP-камерами, видеопотоками, файлами и кадрами. • Вывод результатов анализа: координаты объектов, классы, confidence, события, логи. Требуемые навыки: • Python, OpenCV, YOLO: YOLOv5 / YOLOv8 / YOLOv10 / YOLOv11 или аналогичные модели; PyTorch или другой ML-фреймворк; Linux, Git. • Опыт обучения и дообучения моделей компьютерного зрения. • Понимание принципов object detection, classification, tracking. • Работа с видео: RTSP, IP-камеры, FFmpeg / GStreamer будет плюсом. • Умение работать с датасетами и инструментами разметки. • Умение давать реалистичную оценку сроков разработки в часах с учетом технических рисков, неопределенностей и этапов реализации. • Можете в короткие сроки разработать рабочий MVP и последовательно улучшить модель до нужных метрик качества, надежности и производительности. Желательные навыки: • Оптимизация моделей: ONNX, TensorRT, CUDA. • Работа с edge-устройствами: Raspberry Pi, Orange Pi, Jetson, промышленные mini-PC. • Опыт ускорения инференса на CPU/GPU/NPU. • ByteTrack, DeepSORT, SORT или другие алгоритмы трекинга. • Docker. • FastAPI / Flask / Node.js для интеграции модели в сервер. • Опыт построения систем видеоаналитики в реальном времени. Для отклика желательно прислать: • Примеры проектов с OpenCV / YOLO / Computer Vision. • GitHub или портфолио. • Описание опыта обучения моделей. • Какие модели и фреймворки использовали. • Какой FPS удавалось получить на видео в реальном времени.

Что предлагаем