Mid Computer Vision Engineer — Edge Computing

O projekcie Rozwijamy rozwiązanie do monitorowania przestrzeni na stoiskach targowych i podczas wydarzeń na podstawie obrazu z kamer sieciowych. System obejmuje m.in. odbiór strumieni wideo, kalibrację sceny, wykrywanie i śledzenie osób oraz prezentację wyników operatorowi. Priorytetem jest stabilność działania na żywo, niskie opóźnienia oraz szybkie, powtarzalne wdrożenia na sprzęcie u klienta (środowisko brzegowe), bez uzależnienia od chmury w podstawowym modelu. Modele detekcyjne działają lokalnie w oparciu o PyTorch z wykorzystaniem CUDA na GPU, z użyciem rozwiązań typu YOLO. Platformą docelową wdrożeń są m.in. komputery brzegowe z GPU oraz NVIDIA Jetson. Projekt jest na wczesnym etapie rozwoju produktu, z jasno określonym kierunkiem technicznym i dużą przestrzenią do wpływu na architekturę, pipeline oraz dobór sprzętu. To rola nastawiona przede wszystkim na applied computer vision i produkcyjne wdrożenia, a nie na research akademicki. Duży nacisk kładziemy na stabilność pipeline’u, opóźnienia, diagnostykę i działanie systemu w rzeczywistych warunkach. Zakres obowiązków • Projektowanie i rozwój modułów analizy obrazu wideo w języku Python. • Praca z biblioteką OpenCV: przechwytywanie obrazu, transformacje geometryczne, homografia. • Integracja strumieni z kamer (RTSP), obsługa problemów sieciowych i buforowania. • Trening i inferencja modeli detekcji w oparciu o PyTorch oraz modele typu YOLO — wybór urządzenia (CUDA / CPU), dbanie o wydajność i stabilność w czasie rzeczywistym. • Przygotowanie i prowadzenie wdrożeń produkcyjnych na infrastrukturze u klienta, w tym uruchomienia w środowisku edge. • Współpraca przy doborze rozwiązań technicznych dotyczących pipeline’u, sprzętu oraz sposobu wdrażania. • Dbanie o jakość kodu: struktura, obsługa błędów, testy tam, gdzie mają sens. • Współpraca przy elementach backendu i interfejsu operatorskiego — bez wymogu pełnego stacku aplikacyjnego. • Testy w realnych warunkach, walidacja jakości detekcji i trackingu, kalibracja sceny oraz analiza przypadków brzegowych związanych z ustawieniem kamer, oświetleniem i obciążeniem sprzętu. Wymagania • Co najmniej kilkuletnie doświadczenie komercyjne z Pythonem na poziomie produkcyjnym. • Praktyczna znajomość OpenCV. • 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 i ograniczeń przy analizie w czasie rzeczywistym. • Doświadczenie w pracy z Linuxem i środowiskiem zbliżonym do edge computing. • 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 inferencji pod NVIDIA. • ONNX jako format pośredni. • Kwantyzacja / optymalizacja pod ograniczenie zasobów na edge. • Podstawy GStreamer lub innego stosu wideo na urządzeniu brzegowym. • Proste interfejsy REST po stronie backendu. • Świadomość ochrony danych osobowych przy obrazie z monitoringu. Ważne dla nas Szukamy osoby, która dobrze odnajduje się w pracy blisko realnego wdrożenia: kamery, RTSP, GPU, opóźnienia, ograniczenia edge, diagnostyka i dopinanie rozwiązań tak, aby działały stabilnie u klienta. Doświadczenie z NVIDIA Jetson będzie dużym plusem, ale dopuszczamy również osoby mocne w Linux + CUDA + edge GPU, gotowe szybko wejść w Jetson/JetPack. Organizacja pracy • Pracujemy w modelu hybrydowym, z gotowością do okresowej pracy ze sprzętem w biurze. • Zespół pracuje po polsku, ale oczekujemy swobody w pracy z dokumentacją techniczną i materiałami po angielsku. • Wdrożenia obejmują okazjonalne wyjazdy do klienta i testy on-site. • Sporadycznie możliwe są działania poza standardowymi godzinami podczas uruchomień. 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.