岗位职责：

1. 模型研发与优化：

   • 负责工业视觉场景（如缺陷检测、分类、分割、定位、测量、OCR等）下深度学习算法的研究、选型、设计与实现。

   • 针对产线特定需求，对现有SOTA模型（如YOLO系列、Mask R-CNN、UNet、ResNet等）进行优化、剪枝、量化及轻量化部署。

   • 探索并应用自监督学习、半监督学习、小样本学习等前沿技术，以解决工业场景中数据稀缺和标注成本高的问题。

2. 数据处理与Pipeline构建：

   • 负责构建和维护大规模、高质量的工业图像数据集，包括数据采集、清洗、增强和标注规范制定。

   • 设计和实现高效的数据预处理与在线增强Pipeline，提升模型的泛化能力和鲁棒性。

   • 深入分析bad case，通过数据迭代驱动模型性能持续提升。

3. 模型部署与落地：

   • 将训练好的模型部署到实际生产环境（如GPU服务器、工控机、边缘计算设备等）。

   • 精通TensorRT、OpenVINO、ONNX Runtime等至少一种推理加速框架，并进行性能调优。

   • 与软件工程师协作，完成算法模块的集成、封装和API接口开发。

4. 工程与创新：

   • 编写高质量、可维护的代码（Python/C++），并撰写详尽的技术文档。

   • 跟踪计算机视觉和深度学习领域的最新进展，评估其在工业应用中的可行性。

技术要求（我们希望您具备）：

【硬性要求】

• 学历与经验：计算机、自动化、电子工程、数学等相关专业，本科及以上学历，拥有1年以上工业视觉或计算机视觉领域的深度学习项目实战经验。

• 编程基础：精通Python，具备扎实的编程能力和良好的代码风格。

• 深度学习框架：熟练掌握PyTorch或TensorFlow至少一种深度学习框架，理解其底层机制和计算图原理。有从零开始搭建、训练和调试模型的能力。

• 计算机视觉基础：扎实的计算机视觉基础，熟悉图像处理基本操作（OpenCV）、常用数据增强方法及模型评估指标。

• 经典模型架构：深入理解并实践过主流CNN架构（如ResNet, VGG, MobileNet等）以及目标检测（如Faster R-CNN, YOLO系列）、图像分割（如UNet, Mask R-CNN）等领域的经典模型。

【加分项 - 让您脱颖而出】

• 工业视觉专精：

  • 有实际的工业缺陷检测、精密测量、字符识别等项目经验，对光照变化、材质反光、复杂背景等工业难题有深刻理解和处理经验。

  • 熟悉GigE Vision, GenICam等工业相机协议和SDK。

• 模型部署与性能优化：

  • 有丰富的模型部署经验，熟练掌握TensorRT、OpenVINO、ONNX 中至少一种，并对模型剪枝、量化、知识蒸馏等优化技术有实战经验。

  • 具备C++编程能力，能够进行高性能的算法模块开发。

• 前沿技术探索：

  • 了解并尝试过Transformer（如DETR, ViT）、Diffusion Model、自监督学习（如MAE, SimCLR） 等在视觉任务中的应用。

  • 有异常检测、小样本学习、领域自适应等项目经验者优先。

• 工具与流程：

  • 熟悉Docker容器化技术，了解CI/CD流程。

  • 熟练使用Git进行代码版本管理。

  • 有使用MLflow、Weights & Biases等MLOps工具的经验。