Mid Computer Vision Engineer — Edge Computing
EYVI SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
⚲ Wysogotowo (pow. poznański)
12 000–16 000 zł netto (+ VAT) / mies.
Wymagania
- Python
- PyTorch
- SQLite
- Git
- C++
- TensorRT
- OpenCV
- GitHub
Opis stanowiska
Nasze wymagania:
Co najmniej kilkuletnie doświadczenie komercyjne z Pythonem na poziomie produkcyjnym.
Praktyczna znajomość OpenCV: przetwarzanie obrazu, transformacje geometryczne, praca ze strumieniem wideo.
Doświadczenie z PyTorch oraz CUDA w kontekście uruchamiania inferencji modeli na GPU.
Doświadczenie z detekcją obiektów przy użyciu modeli typu YOLO (Ultralytics lub równoważny workflow), nie tylko eksperymenty, lecz ścieżka zbliżona do produkcyjnej.
Zrozumienie strumieni wideo (RTSP) i ograniczeń przy analizie w czasie rzeczywistym: FPS, buforowanie, opóźnienia, typowe problemy sieciowe.
Doświadczenie w pracy z Linuxem i środowiskiem zbliżonym do edge computing oraz wdrożeń u klienta.
Docker: budowa i utrzymanie obrazów kontenerowych, uruchamianie w środowisku wdrożeniowym, podstawowa diagnostyka.
Praktyczna znajomość lekkich baz osadzonych (np. SQLite): prosty schemat, transakcje, zapytania parametryzowane.
Biegłość w Git.
Samodzielna praca z dokumentacją techniczną w języku angielskim.
Gotowość do pracy wdrożeniowej i testowej z realnym sprzętem.
Mile widziane:
Doświadczenie z NVIDIA Jetson, JetPack oraz środowiskiem uruchomieniowym na urządzeniach brzegowych.
TensorRT lub podobna optymalizacja pod NVIDIA.
ONNX jako format pośredni.
Kwantyzacja i optymalizacja pod ograniczenia zasobów na edge.
PyAV, FFmpeg, GStreamer lub inny stos wideo w pipeline’ie na urządzeniu brzegowym.
Proste interfejsy REST po stronie backendu oraz utrzymanie lekkiego interfejsu operatorskiego bez ciężkiego frameworka frontendowego.
Doświadczenie z monitoringiem w retailu, na eventach, integracją ze strumieniami z NVR (Hikvision i podobne).
Przygotowanie pakietów offline oraz doświadczenie w doprowadzaniu wdrożeń kontenerowych do spójnej ścieżki instalacyjnej produktu.
O projekcie:
Rozwijamy system do monitorowania przestrzeni na stoiskach targowych i eventach, na podstawie obrazu z kamer sieciowych. Obejmuje m.in. odbiór strumieni wideo, kalibrację sceny, wykrywanie i śledzenie osób oraz prezentację wyników operatorowi: plan stoiska, heatmapa, oś czasu, konfiguracja kamer i raporty po zakończeniu.
Priorytetem jest stabilność działania na żywo, niskie opóźnienia oraz powtarzalne wdrożenia na sprzęcie u klienta, w modelu zbliżonym do edge, bez uzależnienia od chmury w podstawowej wersji produktu.
Modele detekcyjne działają lokalnie w oparciu o PyTorch i CUDA na GPU, z wykorzystaniem rozwiązań typu YOLO. Docelowe środowisko wdrożeń to m.in. stacje z kartą NVIDIA w sieci LAN oraz urządzenia brzegowe.
Produkt jest w aktywnym rozwoju, z ustalonym kierunkiem technicznym i realnym wpływem na architekturę pipeline’u, dobór sprzętu i sposób wdrażania.
To rola nastawiona na applied computer vision i produkcyjne wdrożenia. Duży nacisk kładziemy na stabilność pipeline’u, opóźnienia, diagnostykę i działanie systemu w warunkach targowych i eventowych.
Zakres obowiązków:
Projektowanie i rozwój pipeline’u analizy wideo w Pythonie: strumień RTSP, detekcja, tracking, mapowanie na plan, liczniki i heatmapy.
OpenCV i geometria sceny: homografia, ROI, obsługa różnic rozdzielczości między kalibracją a obrazem na żywo.
Integracja RTSP: reconnect, limitowanie FPS, typowe problemy z NVR i siecią.
Inferencja na GPU i CPU: wydajność przy kilku kamerach, stabilne ID w trackingu.
Rozwój silnika na żywo, API i dashboardów operatorskich, częściowa aktualizacja konfiguracji bez restartu całości.
Wdrożenia u klienta: venv, CUDA, skrypty startowe, pakiety offline, testy na miejscu.
Dobór sprzętu i sposobu instalacji razem z zespołem.
Czytelny kod, sensowna obsługa błędów.
Walidacja w terenie: detekcja, tracking, kalibracja, przypadki brzegowe.
Lekki backend HTTP i UI w przeglądarce.
Oferujemy:
Udział w projekcie na wczesnym etapie, z realnym wpływem na architekturę, dobór rozwiązań i kierunek rozwoju produktu.
Pracę z realnym hardware i wdrożeniem, a nie wyłącznie z eksperymentami w notebookach.
Możliwość wpływu na docelowy sprzęt, pipeline, modele i algorytmy.
Mały zespół i szybkie decyzje.
Dużą samodzielność techniczną i decyzyjność.
Elastyczność godzin pracy w ramach ustaleń zespołu.
Pracę nad rozwiązaniem o jasno określonym zastosowaniu i realnym scenariuszu użycia.
Co najmniej kilkuletnie doświadczenie komercyjne z Pythonem na poziomie produkcyjnym.
Praktyczna znajomość OpenCV: przetwarzanie obrazu, transformacje geometryczne, praca ze strumieniem wideo.
Doświadczenie z PyTorch oraz CUDA w kontekście uruchamiania inferencji modeli na GPU.
Doświadczenie z detekcją obiektów przy użyciu modeli typu YOLO (Ultralytics lub równoważny workflow), nie tylko eksperymenty, lecz ścieżka zbliżona do produkcyjnej.
Zrozumienie strumieni wideo (RTSP) i ograniczeń przy analizie w czasie rzeczywistym: FPS, buforowanie, opóźnienia, typowe problemy sieciowe.
Doświadczenie w pracy z Linuxem i środowiskiem zbliżonym do edge computing oraz wdrożeń u klienta.
Docker: budowa i utrzymanie obrazów kontenerowych, uruchamianie w środowisku wdrożeniowym, podstawowa diagnostyka.
Praktyczna znajomość lekkich baz osadzonych (np. SQLite): prosty schemat, transakcje, zapytania parametryzowane.
Biegłość w Git.
Samodzielna praca z dokumentacją techniczną w języku angielskim.
Gotowość do pracy wdrożeniowej i testowej z realnym sprzętem.
Mile widziane:
Doświadczenie z NVIDIA Jetson, JetPack oraz środowiskiem uruchomieniowym na urządzeniach brzegowych.
TensorRT lub podobna optymalizacja pod NVIDIA.
ONNX jako format pośredni.
Kwantyzacja i optymalizacja pod ograniczenia zasobów na edge.
PyAV, FFmpeg, GStreamer lub inny stos wideo w pipeline’ie na urządzeniu brzegowym.
Proste interfejsy REST po stronie backendu oraz utrzymanie lekkiego interfejsu operatorskiego bez ciężkiego frameworka frontendowego.
Doświadczenie z monitoringiem w retailu, na eventach, integracją ze strumieniami z NVR (Hikvision i podobne).
Przygotowanie pakietów offline oraz doświadczenie w doprowadzaniu wdrożeń kontenerowych do spójnej ścieżki instalacyjnej produktu.
O projekcie:
Rozwijamy system do monitorowania przestrzeni na stoiskach targowych i eventach, na podstawie obrazu z kamer sieciowych. Obejmuje m.in. odbiór strumieni wideo, kalibrację sceny, wykrywanie i śledzenie osób oraz prezentację wyników operatorowi: plan stoiska, heatmapa, oś czasu, konfiguracja kamer i raporty po zakończeniu.
Priorytetem jest stabilność działania na żywo, niskie opóźnienia oraz powtarzalne wdrożenia na sprzęcie u klienta, w modelu zbliżonym do edge, bez uzależnienia od chmury w podstawowej wersji produktu.
Modele detekcyjne działają lokalnie w oparciu o PyTorch i CUDA na GPU, z wykorzystaniem rozwiązań typu YOLO. Docelowe środowisko wdrożeń to m.in. stacje z kartą NVIDIA w sieci LAN oraz urządzenia brzegowe.
Produkt jest w aktywnym rozwoju, z ustalonym kierunkiem technicznym i realnym wpływem na architekturę pipeline’u, dobór sprzętu i sposób wdrażania.
To rola nastawiona na applied computer vision i produkcyjne wdrożenia. Duży nacisk kładziemy na stabilność pipeline’u, opóźnienia, diagnostykę i działanie systemu w warunkach targowych i eventowych.
Zakres obowiązków:
Projektowanie i rozwój pipeline’u analizy wideo w Pythonie: strumień RTSP, detekcja, tracking, mapowanie na plan, liczniki i heatmapy.
OpenCV i geometria sceny: homografia, ROI, obsługa różnic rozdzielczości między kalibracją a obrazem na żywo.
Integracja RTSP: reconnect, limitowanie FPS, typowe problemy z NVR i siecią.
Inferencja na GPU i CPU: wydajność przy kilku kamerach, stabilne ID w trackingu.
Rozwój silnika na żywo, API i dashboardów operatorskich, częściowa aktualizacja konfiguracji bez restartu całości.
Wdrożenia u klienta: venv, CUDA, skrypty startowe, pakiety offline, testy na miejscu.
Dobór sprzętu i sposobu instalacji razem z zespołem.
Czytelny kod, sensowna obsługa błędów.
Walidacja w terenie: detekcja, tracking, kalibracja, przypadki brzegowe.
Lekki backend HTTP i UI w przeglądarce.
Oferujemy:
Udział w projekcie na wczesnym etapie, z realnym wpływem na architekturę, dobór rozwiązań i kierunek rozwoju produktu.
Pracę z realnym hardware i wdrożeniem, a nie wyłącznie z eksperymentami w notebookach.
Możliwość wpływu na docelowy sprzęt, pipeline, modele i algorytmy.
Mały zespół i szybkie decyzje.
Dużą samodzielność techniczną i decyzyjność.
Elastyczność godzin pracy w ramach ustaleń zespołu.
Pracę nad rozwiązaniem o jasno określonym zastosowaniu i realnym scenariuszu użycia.
🔍 Dekoder Ogłoszenia
🟡
kilkuletnie doświadczenie komercyjne z Pythonem na poziomie produkcyjnym
Oczekiwane jest, że kandydat potrafi pisać czysty, wydajny i dobrze przetestowany kod Python, który był używany w realnych aplikacjach.
🔴
ścieżka zbliżona do produkcyjnej
Nie wystarczą same eksperymenty z detekcją obiektów; oczekuje się doświadczenia w implementacji i optymalizacji modeli w warunkach zbliżonych do rzeczywistego wdrożenia.
🔴
środowiskiem zbliżonym do edge computing oraz wdrożeń u klienta
Praca będzie polegać na wdrażaniu rozwiązań na urządzeniach o ograniczonych zasobach i często w lokalizacjach zewnętrznych, co może wiązać się z wyzwaniami technicznymi i logistycznymi.
🔴
Gotowość do pracy wdrożeniowej i testowej z realnym sprzętem
Kandydat musi być gotów do fizycznego kontaktu z urządzeniami, instalacji, konfiguracji i rozwiązywania problemów na miejscu, co może oznaczać podróże i pracę poza biurem.
🟡
Samodzielna praca z dokumentacją techniczną w języku angielskim
Oczekuje się, że kandydat potrafi samodzielnie zdobywać wiedzę i rozwiązywać problemy, korzystając głównie z anglojęzycznej dokumentacji, bez ciągłego wsparcia ze strony zespołu.