Vision par ordinateur : marché
Données au 19 novembre 2026 : offres ouvertes Vision par ordinateur — 303, 24% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $10 927/mois (sur 36 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.
Computer Vision Engineer (CV) — discipline sœur du NLP dans la famille ML, centrée sur le traitement d'images et de vidéos (pas du texte). Un domaine mature (depuis les années 1960), refondé par le deep learning en 2012 (AlexNet) → les transformers 2020–2021 (ViT) → les modèles de fondation 2023–2024 (DINOv2 / SAM / CLIP) → le boom génératif 2022–2026 (Stable Diffusion / FLUX). Tâches principales : classification d'images, détection d'objets (YOLO + Detectron2 + DETR), segmentation sémantique / d'instances / panoptique (SAM + Mask R-CNN), OCR (PaddleOCR + EasyOCR + Tesseract legacy), reconnaissance faciale + biométrie, compréhension vidéo (reconnaissance d'actions + tracking — ByteTrack / DeepSORT), multimodal (CLIP + GPT-4V + Claude vision + Gemini Vision), vision 3D (NeRF + Gaussian Splatting + structure-from-motion), image / vidéo générative (famille Stable Diffusion / FLUX / Sora), déploiement edge (TensorRT + ONNX + CoreML + OpenVINO). Famille de rôles : Computer Vision Engineer (général — pipelines CV en production), Senior CV Engineer (responsabilité CV multi-tâches + architectures sur mesure), ML Research CV (filière académique — publications à CVPR / ICCV / ECCV — recoupement avec Research Engineer / Scientist), 3D Vision Engineer (NeRF / Gaussian Splatting / nuages de points — en essor 2024+), Generative AI Engineer (Image / Video) (spécialisation Stable Diffusion / FLUX / Runway / Pika / Kling — recoupement avec ai-engineer), Edge CV Engineer (spécialisation TensorRT + déploiement mobile), Robotics Vision Engineer (SLAM + perception pour robots / systèmes autonomes). Stack 2026 : Python (majoritairement — certains composants edge en C++/Rust). PyTorch + torchvision (fondation — 90 %+ de la recherche CV sur PyTorch en 2026), OpenCV (CV classique — toujours très utilisé pour le prétraitement + les algorithmes traditionnels), Pillow (manipulation d'images). Modèles auto-supervisés + de fondation : DINOv2 (Meta — meilleur backbone vision 2024), CLIP + OpenCLIP + SigLIP (vision-langage). Backbones de classification : famille ViT, Swin Transformer, ConvNeXt (CNN moderne), EfficientNet, timm (PyTorch Image Models — modèles préentraînés, bibliothèque incontournable). Augmentation de données : albumentations (standard de l'industrie — rapide + complet), torchvision.transforms.v2 (moderne), RandAugment + AugMix. LLM multimodaux : GPT-4V, Claude 3.5 Sonnet vision, Gemini 1.5 Pro / 2.0, LLaVA + Qwen 2 VL + InternVL (vision-langage open source). OCR : PaddleOCR (Baidu — leader multilingue 2026), EasyOCR, Tesseract (legacy toujours très présent), Docling (IBM — compréhension moderne de documents 2024+), Surya. Reconnaissance faciale : InsightFace (SOTA open source 2026 — ArcFace + RetinaFace), DeepFace, face_recognition. Reconnaissance faciale russe : NtechLab FaceNGN / VisionLabs Luna / Tevian. Tracking vidéo : ByteTrack (le plus rapide 2026), DeepSORT (classique), BoT-SORT, StrongSORT. Modèles vidéo : VideoMAE, X-CLIP, InternVideo. Vision 3D : NeRF (original 2020), Instant-NGP (NVIDIA — 100× plus rapide), Gaussian Splatting (3DGS) (en essor 2023–2026 — rendu photoréaliste), Nerfstudio (framework unifié), Open3D (traitement de nuages de points), PyTorch3D (Meta). Vidéo générative : Runway Gen-3, Pika 1.5, Kling AI (Kuaishou), Sora (OpenAI), AnimateDiff + SVD (open source). Génératif russe : Sber Kandinsky 3. Interfaces : ComfyUI (à base de nœuds — favori des chercheurs), Automatic1111 (interface web legacy). Fine-tuning génératif : LoRA + DreamBooth pour Stable Diffusion / FLUX. Serving de l'inférence : Triton Inference Server (NVIDIA — multi-framework + batching dynamique), BentoML, TorchServe. Annotation : CVAT (OpenCV — standard de l'industrie pour la détection / segmentation), Label Studio, V7 Darwin (commercial), Roboflow (populaire pour le prototypage rapide). Jeux de données : COCO + ImageNet + OpenImages + LAION-5B + Objects365 + Visual Genome. Selon Zorky, 303 offres actives avec une spécificité CV explicite (le vivier réel est bien plus large — de nombreux rôles CV sont classés comme ML Engineer généraliste / Backend / Robotics). Stack principale : python, pytorch, c++, opencv, tensorflow. Parmi les offres dont le mode de travail est indiqué, 24% sont en télétravail.
Données au:
Les chiffres clés du marché Vision par ordinateur : offres ouvertes, salaire médian, vivier de spécialistes observé et part du télétravail.
Le marché Vision par ordinateur compte actuellement 303 postes ouverts, dont 275 observés récemment. Median salary $10 927/mo.
Parmi les offres dont le mode de travail est indiqué, 24% sont en télétravail. Le travail en CV se fait par défaut entièrement dans le cloud. Sociétés d'outsourcing — presque toujours en télétravail. Banques russes — hybride/bureau. Entreprises de véhicules autonomes — les rôles de recherche sont souvent en télétravail, le déploiement exige une présence sur site (Pittsburgh / Mountain View / Palo Alto). Entreprises d'IA générative — télétravail complet standard. CV des Big Tech — hybride standard.
⚠ salaire connu pour 36 offres sur 303 ; part du télétravail sur 244 avec un format indiqué ; 275 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées
Chronologie : offres et sources
Combien d'offres Vision par ordinateur sont apparues chaque semaine depuis le 1 juin, et depuis combien de sources. Le graphique du bas sépare la croissance du marché de celle de notre couverture : un saut la semaine où de nouvelles sources ont été connectées signifie que nous voyons davantage, pas que le marché a grandi.
Nouvelles offres par semaine
Données du graphique
| Période | Nouvelles offres par semaine |
|---|---|
| 2026-06-01 | 11 |
| 2026-06-08 | 13 |
| 2026-06-15 | 6 |
| 2026-06-22 | 25 |
| 2026-06-29 | 23 |
| 2026-07-06 | 47 |
| 2026-07-13 | 50 |
| 2026-07-20 | 23 |
| 2026-07-27 | 23 |
| 2026-08-03 | 27 |
| 2026-08-10 | 17 |
| 2026-08-17 | 13 |
| 2026-08-24 | 25 |
| 2026-08-31 | 15 |
| 2026-09-07 | 25 |
| 2026-09-14 | 30 |
| 2026-09-21 | 66 |
| 2026-09-28 | 32 |
| 2026-10-05 | 42 |
| 2026-10-12 | 157 |
| 2026-10-19 | 71 |
| 2026-10-26 | 61 |
| 2026-11-02 | 72 |
| 2026-11-09 | 52 |
Sources actives par semaine
Sources sur la période : 118. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.
Données du graphique
| Période | Sources actives |
|---|---|
| 2026-06-01 | 8 |
| 2026-06-08 | 8 |
| 2026-06-15 | 4 |
| 2026-06-22 | 12 |
| 2026-06-29 | 15 |
| 2026-07-06 | 20 |
| 2026-07-13 | 24 |
| 2026-07-20 | 17 |
| 2026-07-27 | 19 |
| 2026-08-03 | 14 |
| 2026-08-10 | 10 |
| 2026-08-17 | 10 |
| 2026-08-24 | 13 |
| 2026-08-31 | 12 |
| 2026-09-07 | 13 |
| 2026-09-14 | 13 |
| 2026-09-21 | 22 |
| 2026-09-28 | 20 |
| 2026-10-05 | 24 |
| 2026-10-12 | 27 |
| 2026-10-19 | 33 |
| 2026-10-26 | 24 |
| 2026-11-02 | 34 |
| 2026-11-09 | 29 |
Nouvelles sources connectées : 6 juil. +14 · 13 juil. +10 · toutes les semaines (22) dans le tableau
| Semaine | Nouvelles sources | Nouvelles offres |
|---|---|---|
| 8 juin | +5 | 13 |
| 15 juin | +1 | 6 |
| 22 juin | +8 | 25 |
| 29 juin | +7 | 23 |
| 6 juil. | +14 | 47 |
| 13 juil. | +10 | 50 |
| 20 juil. | +4 | 23 |
| 27 juil. | +4 | 23 |
| 3 août | +5 | 27 |
| 10 août | +2 | 17 |
| 17 août | +2 | 13 |
| 24 août | +1 | 25 |
| 31 août | +2 | 15 |
| 7 sept. | +4 | 25 |
| 21 sept. | +6 | 66 |
| 28 sept. | +1 | 32 |
| 5 oct. | +6 | 42 |
| 12 oct. | +8 | 157 |
| 19 oct. | +6 | 71 |
| 26 oct. | +4 | 61 |
| 2 nov. | +6 | 72 |
| 9 nov. | +4 | 52 |
La semaine en cours n'est pas terminée et n'est pas affichée : une semaine incomplète ressemblerait à une baisse.
Semaine = date de première détection de l'offre, tous statuts ; les offres sont sélectionnées selon la même règle que le compteur de cette page. Les sources sont des canaux de collecte distincts ; leurs noms ne sont pas publiés.
Données du graphique
| Semaine | Nouvelles offres par semaine | Sources actives |
|---|---|---|
| 2026-06-01 | 11 | 8 |
| 2026-06-08 | 13 | 8 |
| 2026-06-15 | 6 | 4 |
| 2026-06-22 | 25 | 12 |
| 2026-06-29 | 23 | 15 |
| 2026-07-06 | 47 | 20 |
| 2026-07-13 | 50 | 24 |
| 2026-07-20 | 23 | 17 |
| 2026-07-27 | 23 | 19 |
| 2026-08-03 | 27 | 14 |
| 2026-08-10 | 17 | 10 |
| 2026-08-17 | 13 | 10 |
| 2026-08-24 | 25 | 13 |
| 2026-08-31 | 15 | 12 |
| 2026-09-07 | 25 | 13 |
| 2026-09-14 | 30 | 13 |
| 2026-09-21 | 66 | 22 |
| 2026-09-28 | 32 | 20 |
| 2026-10-05 | 42 | 24 |
| 2026-10-12 | 157 | 27 |
| 2026-10-19 | 71 | 33 |
| 2026-10-26 | 61 | 24 |
| 2026-11-02 | 72 | 34 |
| 2026-11-09 | 52 | 29 |
Les salaires dans le temps
Salaire médian Vision par ordinateur par semaine, USD par mois.
Salaire médian, USD par mois
Données du graphique
| Période | Médiane | Offres avec salaire par semaine (n) |
|---|---|---|
| 2026-10-26 | 13 958 | 10 |
| 2026-11-02 | 9 192 | 15 |
| 2026-11-09 | 11 938 | 10 |
La série commence le 26 oct. : aucune donnée avant.
Uniquement les offres avec un salaire en USD et une période connue (mois ou année), de 500 à 50 000 $ par mois. Les semaines comptant moins de 10 offres de ce type sont laissées vides — cela signifie pas de données, pas zéro.
Données du graphique
| Semaine | Médiane |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | — |
| 2026-06-29 | — |
| 2026-07-06 | — |
| 2026-07-13 | — |
| 2026-07-20 | — |
| 2026-07-27 | — |
| 2026-08-03 | — |
| 2026-08-10 | — |
| 2026-08-17 | — |
| 2026-08-24 | — |
| 2026-08-31 | — |
| 2026-09-07 | — |
| 2026-09-14 | — |
| 2026-09-21 | — |
| 2026-09-28 | — |
| 2026-10-05 | — |
| 2026-10-12 | — |
| 2026-10-19 | — |
| 2026-10-26 | 13 958 |
| 2026-11-02 | 9 192 |
| 2026-11-09 | 11 938 |
Le télétravail dans le temps
Part des offres Vision par ordinateur proposant un télétravail complet, par semaine.
Offres en télétravail, %
Données du graphique
| Période | Télétravail |
|---|---|
| 2026-06-22 | 31,2 |
| 2026-06-29 | 23,1 |
| 2026-07-06 | 47,4 |
| 2026-07-13 | 21,4 |
| 2026-07-20 | 9,1 |
| 2026-07-27 | 30,8 |
| 2026-08-03 | 30,4 |
| 2026-08-10 | 35,7 |
| 2026-08-17 | 25 |
| 2026-08-24 | 30 |
| 2026-08-31 | — |
| 2026-09-07 | 22,7 |
| 2026-09-14 | 25 |
| 2026-09-21 | 22 |
| 2026-09-28 | 33,3 |
| 2026-10-05 | 39,4 |
| 2026-10-12 | 23,4 |
| 2026-10-19 | 25,5 |
| 2026-10-26 | 26,8 |
| 2026-11-02 | 29,1 |
| 2026-11-09 | 31,6 |
La série commence le 22 juin : aucune donnée avant.
La part est calculée parmi les offres qui précisent le mode de travail (télétravail, hybride, bureau). Les semaines comptant moins de 10 offres de ce type sont laissées vides.
Données du graphique
| Semaine | Télétravail |
|---|---|
| 2026-06-01 | — |
| 2026-06-08 | — |
| 2026-06-15 | — |
| 2026-06-22 | 31,2 |
| 2026-06-29 | 23,1 |
| 2026-07-06 | 47,4 |
| 2026-07-13 | 21,4 |
| 2026-07-20 | 9,1 |
| 2026-07-27 | 30,8 |
| 2026-08-03 | 30,4 |
| 2026-08-10 | 35,7 |
| 2026-08-17 | 25 |
| 2026-08-24 | 30 |
| 2026-08-31 | — |
| 2026-09-07 | 22,7 |
| 2026-09-14 | 25 |
| 2026-09-21 | 22 |
| 2026-09-28 | 33,3 |
| 2026-10-05 | 39,4 |
| 2026-10-12 | 23,4 |
| 2026-10-19 | 25,5 |
| 2026-10-26 | 26,8 |
| 2026-11-02 | 29,1 |
| 2026-11-09 | 31,6 |
Les technologies dans le temps
Comment la part des offres Vision par ordinateur mentionnant chacune des principales technologies a évolué.
Offres mentionnant la technologie, %
Données du graphique
| Période | Python | pytorch | C++ |
|---|---|---|---|
| 2026-09-21 | 56 | 32 | 32 |
| 2026-09-28 | 65,2 | 60,9 | 43,5 |
| 2026-10-05 | 50 | 42,3 | 15,4 |
| 2026-10-12 | 65,5 | 51,2 | 34,5 |
| 2026-10-19 | 76,9 | 57,7 | 42,3 |
| 2026-10-26 | 66,7 | 52,1 | 45,8 |
| 2026-11-02 | 74,1 | 42,6 | 40,7 |
| 2026-11-09 | 65,8 | 47,4 | 44,7 |
La série commence le 21 sept. : aucune donnée avant.
Part parmi les offres avec un stack tagué ; la série commence le 10 août : auparavant les tags de stack étaient attribués différemment. Les semaines comptant moins de 20 offres taguées sont laissées vides.
Données du graphique
| Semaine | Python | pytorch | C++ | opencv | cloud |
|---|---|---|---|---|---|
| 2026-08-10 | — | — | — | — | — |
| 2026-08-17 | — | — | — | — | — |
| 2026-08-24 | — | — | — | — | — |
| 2026-08-31 | — | — | — | — | — |
| 2026-09-07 | — | — | — | — | — |
| 2026-09-14 | — | — | — | — | — |
| 2026-09-21 | 56 | 32 | 32 | 20 | 44 |
| 2026-09-28 | 65,2 | 60,9 | 43,5 | 56,5 | 8,7 |
| 2026-10-05 | 50 | 42,3 | 15,4 | 23,1 | 15,4 |
| 2026-10-12 | 65,5 | 51,2 | 34,5 | 17,9 | 19 |
| 2026-10-19 | 76,9 | 57,7 | 42,3 | 34,6 | 25 |
| 2026-10-26 | 66,7 | 52,1 | 45,8 | 50 | 27,1 |
| 2026-11-02 | 74,1 | 42,6 | 40,7 | 27,8 | 14,8 |
| 2026-11-09 | 65,8 | 47,4 | 44,7 | 31,6 | 26,3 |
Pays au fil du temps
Comment la part des offres Vision par ordinateur dans chacun des principaux pays a évolué, par semaine.
Offres dans le pays, %
Données du graphique
| Période | États-Unis | Russie | Royaume-Uni |
|---|---|---|---|
| 2026-06-22 | 16 | 4 | 0 |
| 2026-06-29 | 15 | 5 | 5 |
| 2026-07-06 | 55,6 | 5,6 | 2,8 |
| 2026-07-13 | 39,1 | 17,4 | 2,2 |
| 2026-07-20 | 20 | 20 | 10 |
| 2026-07-27 | — | — | — |
| 2026-08-03 | 18,2 | 22,7 | 31,8 |
| 2026-08-10 | — | — | — |
| 2026-08-17 | — | — | — |
| 2026-08-24 | 43,5 | 8,7 | 13 |
| 2026-08-31 | — | — | — |
| 2026-09-07 | 20,8 | 8,3 | 16,7 |
| 2026-09-14 | 26,1 | 0 | 4,3 |
| 2026-09-21 | 37,2 | 2,3 | 4,7 |
| 2026-09-28 | 14,3 | 10,7 | 3,6 |
| 2026-10-05 | 33,3 | 16,7 | 0 |
| 2026-10-12 | 17,8 | 1 | 4 |
| 2026-10-19 | 17,2 | 13,8 | 12,1 |
| 2026-10-26 | 34,5 | 3,4 | 13,8 |
| 2026-11-02 | 24,6 | 8,8 | 12,3 |
| 2026-11-09 | 23,4 | 2,1 | 19,1 |
La série commence le 22 juin : aucune donnée avant.
Part parmi les offres dont le pays est connu ; le graphique montre les cinq pays comptant le plus d'offres sur six mois. Les semaines comptant moins de 20 offres avec un pays connu sont laissées vides. Une part en hausse peut signifier une source nouvellement connectée dans ce pays plutôt qu'une croissance du marché.
Données du graphique
| Semaine | États-Unis | Russie | Royaume-Uni | Allemagne | Ukraine |
|---|---|---|---|---|---|
| 2026-06-01 | — | — | — | — | — |
| 2026-06-08 | — | — | — | — | — |
| 2026-06-15 | — | — | — | — | — |
| 2026-06-22 | 16 | 4 | 0 | 0 | 0 |
| 2026-06-29 | 15 | 5 | 5 | 5 | 0 |
| 2026-07-06 | 55,6 | 5,6 | 2,8 | 2,8 | 8,3 |
| 2026-07-13 | 39,1 | 17,4 | 2,2 | 2,2 | 8,7 |
| 2026-07-20 | 20 | 20 | 10 | 0 | 0 |
| 2026-07-27 | — | — | — | — | — |
| 2026-08-03 | 18,2 | 22,7 | 31,8 | 0 | 4,5 |
| 2026-08-10 | — | — | — | — | — |
| 2026-08-17 | — | — | — | — | — |
| 2026-08-24 | 43,5 | 8,7 | 13 | 0 | 0 |
| 2026-08-31 | — | — | — | — | — |
| 2026-09-07 | 20,8 | 8,3 | 16,7 | 0 | 0 |
| 2026-09-14 | 26,1 | 0 | 4,3 | 0 | 0 |
| 2026-09-21 | 37,2 | 2,3 | 4,7 | 7 | 9,3 |
| 2026-09-28 | 14,3 | 10,7 | 3,6 | 7,1 | 14,3 |
| 2026-10-05 | 33,3 | 16,7 | 0 | 8,3 | 5,6 |
| 2026-10-12 | 17,8 | 1 | 4 | 10,9 | 2 |
| 2026-10-19 | 17,2 | 13,8 | 12,1 | 5,2 | 5,2 |
| 2026-10-26 | 34,5 | 3,4 | 13,8 | 10,3 | 12,1 |
| 2026-11-02 | 24,6 | 8,8 | 12,3 | 7 | 0 |
| 2026-11-09 | 23,4 | 2,1 | 19,1 | 12,8 | 0 |
Marché net : indice de recrutement
Les mêmes 7 505 sites carrières d'employeurs ; le nombre d'offres provient du site lui-même. Connecter de nouvelles sources ne fait pas bouger cet indice — il montre le marché, pas notre couverture. C'est l'ensemble du marché du panel, pas seulement Vision par ordinateur.
Indice de recrutement, 16 oct. = 100
Données du graphique
| Période | Indice de recrutement |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Indice chaîné : chaque jour ne compare que les sites interrogés ce jour-là et la veille ; les valeurs aberrantes et les pannes d'interrogation d'une plateforme entière sont exclues. Les jours sans paire comparable sont laissés vides.
Données du graphique
| Jour | Indice de recrutement |
|---|---|
| 2026-10-16 | 100 |
| 2026-10-17 | 100,03 |
| 2026-10-18 | 99,76 |
| 2026-10-19 | 99,68 |
| 2026-10-20 | 99,27 |
| 2026-10-21 | 98,6 |
| 2026-10-22 | 99,07 |
| 2026-10-23 | 97,4 |
| 2026-10-24 | 97,41 |
| 2026-10-26 | 97,33 |
| 2026-10-27 | 96,76 |
| 2026-10-28 | 96,21 |
| 2026-10-29 | 95,17 |
| 2026-10-30 | 95,13 |
| 2026-10-31 | 93,65 |
| 2026-11-01 | 93,33 |
| 2026-11-02 | 92,67 |
| 2026-11-03 | 92,65 |
| 2026-11-04 | 92,41 |
| 2026-11-05 | 92,13 |
| 2026-11-06 | 90,44 |
| 2026-11-07 | 90,48 |
| 2026-11-08 | 90,45 |
| 2026-11-10 | 90,29 |
| 2026-11-11 | 90,22 |
| 2026-11-13 | 90,12 |
| 2026-11-14 | 89,7 |
| 2026-11-15 | 89,68 |
| 2026-11-16 | 89,62 |
| 2026-11-18 | 88,91 |
| 2026-11-19 | 88,02 |
Combien d'offres Vision par ordinateur ouvertes il y a et combien de spécialistes correspondants Zorky observe.
Demande et offre observée
Données du graphique
| Indicateur | Valeur |
|---|---|
| Demande ouverte | 303 |
| Demande ouverte | 303 |
| Offre observée | — non publié |
La CV — un domaine mature du ML (depuis les années 1960), refondu par le deep learning en 2012 → transformers 2020 → modèles de fondation 2023–2024 (DINOv2 / SAM 2) → l'essor du génératif 2022–2026 (Stable Diffusion / FLUX / Sora). Le vivier est petit dans notre échantillon — le marché réel est plus large grâce au recoupement avec le ML généraliste / la robotique.
⚠ les candidats correspondant à une offre ne sont pas encore comptés : la demande et le vivier observé sont affichés
Comment se répartissent les salaires des offres Vision par ordinateur, en dollars américains par mois.
Distribution des salaires
Données du graphique
| Indicateur | Valeur |
|---|---|
| <$1k | 0 |
| $1–2k | 0 |
| $2–3k | 2 |
| $3–4k | 1 |
| $4–5k | 2 |
| $5–6k | 1 |
| $6–7k | 2 |
| $7–8k | 2 |
| $8–9k | 2 |
| $9–10k | 2 |
| $10–12k | 5 |
| $12–15k | 6 |
| $15–20k | 10 |
| $20k+ | 1 |
- exploitable pour le calcul: 36 (11,9%)
- indiqué mais non converti en USD/mois: 30 (9,9%)
- non indiqué: 237 (78,2%)
Une offre sur dix propose moins de $4 625, une sur dix plus de $18 877. La moitié des offres propose entre $7 500 et $15 208. Échantillon: 36.
Données du graphique
| Indicateur | Borne inférieure | Borne supérieure | Nombre |
|---|---|---|---|
| <$1k | 0 | 1 000 | 0 |
| $1–2k | 1 000 | 2 000 | 0 |
| $2–3k | 2 000 | 3 000 | 2 |
| $3–4k | 3 000 | 4 000 | 1 |
| $4–5k | 4 000 | 5 000 | 2 |
| $5–6k | 5 000 | 6 000 | 1 |
| $6–7k | 6 000 | 7 000 | 2 |
| $7–8k | 7 000 | 8 000 | 2 |
| $8–9k | 8 000 | 9 000 | 2 |
| $9–10k | 9 000 | 10 000 | 2 |
| $10–12k | 10 000 | 12 000 | 5 |
| $12–15k | 12 000 | 15 000 | 6 |
| $15–20k | 15 000 | 20 000 | 10 |
| $20k+ | 20 000 | — | 1 |
Dans quels pays il y a le plus d'offres Vision par ordinateur ouvertes.
Géographie de la demande
| pays | offres | part |
|---|---|---|
| États-Unis | 89 | 33,8% |
| Allemagne | 23 | 8,7% |
| Royaume-Uni | 18 | 6,8% |
| Pologne | 12 | 4,6% |
| Ukraine | 12 | 4,6% |
| Russie | 10 | 3,8% |
| Singapour | 9 | 3,4% |
| Canada | 7 | 2,7% |
| Kazakhstan | 7 | 2,7% |
| Inde | 7 | 2,7% |
| Autres pays | 69 | 26,2% |
Le leader par nombre d'offres CV Engineer est les États-Unis (89 postes). La Pologne — un hub européen favorable à la vision par ordinateur. L'Allemagne — l'IA à Berlin et l'automobile à Munich (équipes autonomes de BMW / Mercedes AI / Bosch / Continental). Royaume-Uni — Londres (Wayve autonomous et Tractable). États-Unis — la Bay Area, Pittsburgh (clusters de véhicules autonomes) et Boston (région robotique du MIT). Un énorme segment international à distance via les entreprises de véhicules autonomes (Tesla / Waymo / Cruise / Wayve / Pony.ai / Zoox / Aurora), l'IA générative (Stability / Black Forest Labs / Runway / Pika / Kling), la vision par ordinateur des Big Tech et les startups CV de Y Combinator.
⚠ nombre d'offres uniquement : le salaire par pays n'est pas publié
Données du graphique
| Pays | Offres |
|---|---|
| US | 89 |
| DE | 23 |
| GB | 18 |
| PL | 12 |
| UA | 12 |
| RU | 10 |
| SG | 9 |
| CA | 7 |
| KZ | 7 |
| IN | 7 |
Quelles technologies sont le plus souvent demandées dans la même offre que Vision par ordinateur.
Utilisée avec
Part : combien des 303 offres du marché Vision par ordinateur mentionnent cette technologie. Tri par nombre d’offres, pas par « force d’association ». Les termes génériques comme cloud ne désignent pas un cloud précis (AWS, Azure).
Russes : NtechLab FaceNGN + VisionLabs Luna + Tevian + RecFaces, suivi vidéo : ByteTrack (le plus rapide) + DeepSORT + BoT-SORT + StrongSORT + MOTRv2. Modèles vidéo : VideoMAE + X-CLIP + InternVideo, vision 3D : NeRF + Instant-NGP (NVIDIA) + Gaussian Splatting (en croissance 2023–2026) + Nerfstudio + Open3D + PyTorch3D (Meta) + Kaolin (NVIDIA) + COLMAP (SfM) + Mitsuba 3, génératif : Stable Diffusion SDXL/SD3/SD3.5 + FLUX.1 (Black Forest Labs) + DALL-E 3 + Imagen 3 + Midjourney v6 + Ideogram. Vidéo : Runway Gen-3 + Pika 1.5 + Kling + Sora + AnimateDiff + SVD.
Couples courants : Python + PyTorch + torchvision + OpenCV (socle de la CV classique), Ultralytics YOLO + albumentations + CVAT (pipeline de détection en production), Detectron2 + MMDetection + timm (stack flexible pour la recherche), SAM 2 + ByteTrack + DeepSORT (compréhension vidéo + suivi), DINOv2 + CLIP + LLM multimodal (modèle de fondation + stack vision-langage), Stable Diffusion + FLUX + ComfyUI + LoRA / DreamBooth (stack d'image générative), NeRF + Gaussian Splatting + Nerfstudio + COLMAP + Open3D (stack de vision 3D), PyTorch + ONNX + TensorRT + CoreML (stack de déploiement edge), NVIDIA DeepStream + Triton + Kubernetes (analyse vidéo en production). Feuille de route d'apprentissage : bases mathématiques → Python + bases du ML → CV classique avec OpenCV → Stanford CS231n → PyTorch + torchvision + timm → Ultralytics YOLO + Detectron2 → SAM + DINOv2 → LLM multimodal → filière générative (SD/FLUX/ComfyUI) → vision 3D (NeRF/3DGS) → pratique du déploiement edge (TensorRT/CoreML) → outils d'annotation (CVAT) → portfolio de projets personnels (4 démos).
Données du graphique
| Nom | Nombre |
|---|---|
| python | 164 |
| pytorch | 116 |
| c++ | 99 |
| opencv | 80 |
| cloud | 51 |
| tensorflow | 51 |
| docker | 43 |
| mlops | 28 |
| numpy | 22 |
| transformers | 20 |
| fine-tuning | 18 |
| aws | 16 |
Combien d'offres Vision par ordinateur il y a à chaque niveau, de junior à principal.
Demande par niveau
| niveau | offres |
|---|---|
| senior | 87 |
| junior | 26 |
| middle | 25 |
| principal | 16 |
| lead | 12 |
Junior — entrée typique : master / doctorat en CV / robotique + portfolio (compétitions CV sur Kaggle / projets CV sur GitHub). Parcours de carrière : Backend Senior / ML Middle (2-3 ans) + intérêt pour la CV + portfolio → CV Engineer Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit Ingénieur Vision 3D (NeRF / Gaussian Splatting), soit Edge CV Engineer (maîtrise de TensorRT / CoreML), soit Generative AI Engineer (image/vidéo), soit ML Research CV (articles en filière académique CVPR / ICCV / ECCV), soit Ingénieur perception pour véhicules autonomes. Chiffres basés sur un petit échantillon — pour des repères plus larges, voir les pages ml-engineer / research.
⚠ côté demande uniquement : le niveau du vivier observé est inconnu pour la majeure partie
Données du graphique
| Niveau | Nombre |
|---|---|
| senior | 87 |
| junior | 26 |
| middle | 25 |
| principal | 16 |
| lead | 12 |
Qui recrute le plus pour Vision par ordinateur et à quel point la demande se concentre chez les plus grandes entreprises.
Employeurs
La demande est répartie entre 220 employeurs. Le plus grand en représente 2.5 %, les dix premiers 15.4 % ; les 84.6 % restants forment la longue traîne.
| part | valeur |
|---|---|
| top 1 | 2.5% |
| top 3 | 6.7% |
| top 10 | 15.4% |
| longue traîne | 84.6% |
⚠ les noms ne sont pas affichés : le classificateur ne distingue pas encore les agences de recrutement des employeurs finaux
Sur quels sites d'entreprises et sites d'emploi Zorky collecte les offres Vision par ordinateur.
Où Zorky voit ce marché
Observé sur 53 sources ; la plus grande en représente 12.9 % : ce marché ne repose pas sur un seul canal.
Données du graphique
| Classe | Nom | Nom anglais | Nombre | Part |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS et sites carrières | 204 | 0,6733 |
| board | джоб-борды и агрегаторы | job boards et agrégateurs | 84 | 0,2772 |
| telegram | Telegram | Telegram | 11 | 0,0363 |
| communauté | сообщества и публичные профили | communauté et profils publics | 4 | 0,0132 |
Les offres Vision par ordinateur les plus récentes, issues des pages carrières des entreprises.
Postes récents
- Software Engineer - Machine Learning or Computer Vision · SE
- Computer Vision Engineer · US
- Computer Vision Engineer · US
- Computer Vision Specialist · PT
- AI Research Engineer - Computer Vision & Neural Rendering · CA
- Full-stack разработчик Python + AI / Computer Vision · UZ
- Werkstudent (m/w/d) Computer Vision & Machine Learning · DE
- Senior Forward Deployment Computer Vision Engineer (All Genders) · SE
Dernières offres de Computer Vision Engineer ouvertes — les postes les plus récents de l'échantillon (vivier étroit de rôles CV explicites — le marché réel est plus large grâce au recoupement avec ml-engineer / robotique). La liste complète est dans notre CRM ou via le lien « voir tout » ci-dessous. Pour une vue plus large, voir les pages ml-engineer + ai-engineer.
Marchés voisins
Le Computer Vision Engineer recoupe le ML Engineer (recoupement ML en production ~60 %), l'AI Engineer (recoupement LLM multimodaux), le NLP Engineer (modèles vision-langage), le Research Engineer (filière articles CVPR / ICCV / ECCV), l'Ingénieur robotique (SLAM + perception), l'Ingénieur Edge ML / MLOps (recoupement sur le déploiement). Comparaison avec ml-engineer/ai-engineer/nlp/data-scientist/research/mlops — dans le SiblingSubnichesChart ci-dessus.
⚠ les marchés voisins de comparaison ne sont pas encore définis
Comment c'est mesuré
- Offre
- une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies
- Candidat observé
- un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre
- Candidat correspondant
- pas encore compté
- Fenêtre
- offres ouvertes au moment de la création de l'instantané
À propos des données
- Certaines ventilations sont masquées : leur couverture de données n'est pas encore suffisante.
- Les statistiques ne sont affichées que là où l'échantillon passe un contrôle qualité.
- Un bloc absent ne signifie pas une valeur nulle.
Ventilations masquées actuellement : 8.
Domaine: IA / ML / Data Science
Spécialisations associées
Au sein du Computer Vision Engineer : CV Engineer (généraliste — pipelines CV en production), CV Engineer Senior (responsabilité multi-tâches + architectures sur mesure), ML Research CV (filière académique — CVPR / ICCV / ECCV — recoupe la recherche), Ingénieur Vision 3D (NeRF / Gaussian Splatting / nuages de points — en essor depuis 2024+), Generative AI Image/Video Engineer (Stable Diffusion / FLUX / Runway / Pika / Kling — recoupe ai-engineer), Edge CV Engineer (TensorRT + CoreML + déploiement mobile), Robotics Vision Engineer (SLAM + perception pour robots / systèmes autonomes). Comparaison avec ml-engineer/ai-engineer/nlp/data-scientist/research/mlops — dans la barre ci-dessous.
Questions fréquentes
Les questions les plus fréquentes sur le Computer Vision Engineer : rémunération (segment premium pour une compétence rare), CV vs ML vs AI Engineer (comparaison à 3 + 5 distinctions), stack de détection d'objets 2026 (arbre de décision YOLO vs Detectron2 vs MMDetection vs DETR vs SAM), 3D Vision Engineer (sous-spécialisation en croissance 2024+), télétravail, comment le devenir (6-12 mois depuis Backend / ML Middle + portfolio), compétences Senior (PyTorch en profondeur + maîtrise d'OpenCV + frameworks de détection / segmentation + déploiement en périphérie + un domaine métier). Les réponses sont recalculées automatiquement.
Quel est le salaire d'un ingénieur Computer Vision Junior, Middle, Senior ou Lead ?
Chiffres basés sur un petit échantillon — pour des repères plus larges, voir ML Engineer et Research Engineer / Scientist. Junior — entrée typique : master / doctorat en CV / robotique + portfolio (compétitions CV sur Kaggle, projets CV sur GitHub). Le saut Junior → Middle — après le premier déploiement CV en production (fonctionnalité de détection / segmentation / classification livrée). Middle → Senior — responsabilité d'un pipeline CV multi-tâches + expertise du déploiement en edge ou spécialisation en IA générative. Senior → Staff / Principal — stratégie CV à l'échelle de l'organisation + conception d'architectures sur mesure + publication d'articles de recherche. Parcours de carrière : Backend Senior / ML Engineer Middle (2-3 ans) + intérêt pour la CV + portfolio → CV Engineer Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit Ingénieur Vision 3D, soit Edge CV Engineer, soit Generative AI Engineer (image/vidéo), soit ML Research CV (articles en filière académique CVPR / ICCV / ECCV).
Quelle stack demande-t-on le plus souvent à un CV Engineer ?
Top 5 : python, pytorch, c++, opencv, tensorflow. Python en profondeur (principalement — les composants edge parfois en C++/Rust). Maîtrise d'OpenCV : opérations de CV classique (cv2.findContours / cv2.HoughLines / détection de contours Canny / morphologie / homographie / calibration de caméra / appariement stéréo — indispensable pour le prétraitement + les algorithmes traditionnels). Pillow (PIL — manipulation d'images). Détection d'objets / segmentation : Ultralytics YOLO (YOLOv8/v9/v10/v11 — standard du secteur 2026 — entraînement simple + bonne documentation), Detectron2 (Meta — niveau recherche, plus flexible), MMDetection / MMSegmentation / MMPose (OpenMMLab — vaste écosystème), famille DETR (RT-DETR en hausse en 2026), SAM + SAM 2 (segmentation universelle). Auto-supervisé + modèles de fondation : DINOv2 (Meta — meilleur backbone de vision 2024 pour l'extraction de caractéristiques), CLIP + OpenCLIP + SigLIP (alignement vision-langage), MAE (Masked Autoencoder). Backbones de classification : famille ViT, Swin Transformer, ConvNeXt, EfficientNet + MobileNet (efficaces), timm (modèles préentraînés, bibliothèque indispensable). Augmentation de données : albumentations (standard du secteur — 30+ types d'augmentation), torchvision.transforms.v2 (natif PyTorch moderne), RandAugment + AugMix + Mixup + CutMix. LLM multimodaux : GPT-4V + Claude 3.5 Sonnet vision + Gemini 1.5/2.0 Pro vision + open source LLaVA + Qwen 2 VL + InternVL + Idefics2 + Molmo (meilleur multimodal ouvert 2024). OCR : PaddleOCR (Baidu — leader multilingue 2026 — 80+ langues), EasyOCR, Tesseract (historique, encore très répandu), Docling (IBM 2024 — compréhension de documents), Surya, TrOCR (Microsoft, basé sur les transformers). Reconnaissance faciale : InsightFace (SOTA open source 2026 — modèles ArcFace + RetinaFace + Buffalo), DeepFace, face_recognition. Russes : NtechLab FaceNGN / VisionLabs Luna / Tevian / RecFaces. Compréhension vidéo + suivi : ByteTrack (le plus rapide 2026), DeepSORT, BoT-SORT, StrongSORT, MOTRv2. Modèles vidéo : VideoMAE, X-CLIP, InternVideo, MViT. Vision 3D : NeRF (original 2020) + Instant-NGP (NVIDIA — 100× plus rapide) + Gaussian Splatting (en hausse 2023–2026), Nerfstudio (framework unifié), Open3D (nuages de points), PyTorch3D (Meta), Kaolin (NVIDIA), COLMAP (structure-from-motion), Mitsuba 3 (rendu différentiable). Génération d'images / de vidéo : famille Stable Diffusion (SDXL + SD3 + SD3.5), FLUX.1 (Black Forest Labs — détenteur du record ouvert 2024+), DALL-E 3 / Imagen 3 / Midjourney v6 / Ideogram. Vidéo : Runway Gen-3 / Pika 1.5 / Kling AI / Sora / AnimateDiff / SVD. Interfaces pour le génératif : ComfyUI (à base de nœuds — le favori de la recherche), Automatic1111. Fine-tuning génératif : LoRA + DreamBooth pour Stable Diffusion / FLUX. Serving de l'inférence : Triton Inference Server + BentoML + TorchServe. Annotation : CVAT (OpenCV — standard du secteur), Label Studio + V7 Darwin (commercial) + Roboflow (prototypage rapide). Jeux de données : COCO (benchmark de détection / segmentation) + ImageNet (classification) + OpenImages + LAION-5B (entraînement génératif à l'échelle du web) + Objects365 + Visual Genome + ADE20K (segmentation) + Cityscapes (conduite autonome). Optimisation adaptée au matériel : quantification (INT8 / FP16), élagage, distillation, parcimonie structurée (pour les tensor cores NVIDIA Ampere+).
Computer Vision Engineer vs ML Engineer vs AI Engineer — quelle différence ?
Les trois rôles se recoupent en 2026, mais leurs priorités diffèrent. ML Engineer — généraliste, responsable de la stack ML en production (recsys / fraude / ranking / ML classique + LLM). Peut travailler avec des données CV mais sans spécialisation approfondie. Voir ML Engineer. AI Engineer / LLM Engineer — centré sur l'intégration des LLM (orienté texte). Voir AI / LLM Engineer. NLP Engineer — centré sur le texte + la parole. Voir NLP Engineer. Computer Vision Engineer (cette page) — centré sur les données image / vidéo / 3D. Différences : 1) Intuition du traitement d'image — le CV Engineer comprend les modèles de caméra / la distorsion des objectifs / les espaces colorimétriques / l'analyse d'histogrammes / les opérations morphologiques — socle de la CV classique. L'AI Engineer n'en connaît généralement rien. 2) Contraintes de calcul — les modèles CV sont lourds (des gigaoctets), la latence d'inférence est critique (conduite autonome — exigence de 30+ FPS), le déploiement edge (maîtrise de TensorRT / CoreML / OpenVINO) — territoire exclusif de la CV. 3) Spécialisation en image / vidéo générative — expertise des workflows Stable Diffusion / FLUX / ComfyUI — propre à la niche CV (recoupe l'AI Engineer pour la génération pilotée par le texte). 4) Compétences en vision 3D — NeRF / Gaussian Splatting / nuages de points / SLAM / calibration de caméra — exclusivement CV. 5) Expertise métier — les rôles CV sont souvent liés à un secteur précis (véhicules autonomes / imagerie médicale / robotique / AR/VR / imagerie satellite / contrôle qualité industriel). Chaque domaine a ses propres jeux de données + règles. Reconversions : ML Engineer Senior → CV Engineer — 4-8 mois (il faut OpenCV + Ultralytics + Detectron2 + albumentations + un domaine). CV Engineer Senior → ML Engineer — 2-4 mois (passage latéral facile, ajouter MLOps + bases des LLM). CV Engineer Senior → AI Engineer (filière LLM) — 3-6 mois. Sous-spécialisations en vogue en 2025–2026 : vision 3D (Gaussian Splatting) / image-vidéo générative (FLUX + de type Sora) / multimodal (modèles vision-langage — LLaVA / Molmo).
Stack de détection d'objets 2026 — YOLO vs Detectron2 vs MMDetection vs DETR vs SAM ?
Arbre de décision pour la détection / segmentation d'objets 2026 : 1) Ultralytics YOLO (YOLOv8 / v9 / v10 / v11) — choix par défaut 2026 pour la détection d'objets. Avantages : entraînement facile (3-5 lignes de code), bonne documentation + communauté, inférence rapide (temps réel sur CPU + edge), large support du déploiement (ONNX + TensorRT + CoreML + TFLite natifs). Inconvénients : la licence Ultralytics exige l'AGPL ou une licence commerciale ($$) pour un usage propriétaire, moins flexible pour la recherche que Detectron2 / MMDetection. 2) Detectron2 (Meta) — niveau recherche. Avantages : API propre, flexible (architectures sur mesure faciles), licence Apache 2.0 (compatible commercial), soutenu par Meta. Inconvénients : entraînement plus lent qu'Ultralytics, courbe d'apprentissage plus longue. Cas d'usage : architectures sur mesure complexes, projets de recherche, quand il faut un contrôle fin de la boucle d'entraînement. 3) MMDetection / MMSegmentation / MMPose (OpenMMLab — consortium chinois) — immense écosystème. Avantages : 100+ architectures déjà implémentées (anciennes et nouvelles), les implémentations de référence des publications y arrivent toujours en premier, Apache 2.0. Inconvénients : très axé sur la configuration (courbe d'apprentissage raide), communauté sinophone parfois difficile d'accès pour les anglophones, dépendances parfois conflictuelles. Cas d'usage : recherche, comparaison de nombreuses architectures, reproduction de publications. 4) Famille DETR (détection à base de transformers) — changement de paradigme moderne 2020+. RT-DETR (Real-Time DETR — Baidu, en essor 2024+ — concurrent de YOLO en temps réel), DINO-DETR, Co-DETR. Avantages : de bout en bout (pas de post-traitement NMS), souvent plus précis sur des scènes complexes. Inconvénients : inférence plus lente que YOLO, entraînement plus gourmand en calcul. Cas d'usage : besoins de précision maximale, scènes complexes (objets nombreux). 5) SAM (Segment Anything Model — Meta 2023) + SAM 2 (version vidéo 2024) — segmentation universelle. Cas d'usage : a) segmentation zero-shot (segmenter n'importe quoi sans entraînement), b) outil d'annotation interactif (point / boîte → masque), c) accélération de l'étiquetage des données (annotation assistée par SAM 10× plus rapide). À combiner avec YOLO / Detectron2 : détecteur → SAM pour des masques précis. 6) Détection classique (HOG + classifieurs en cascade — OpenCV) — uniquement pour les cas très simples, appareils edge sans GPU, microcontrôleurs basse consommation (toujours pertinent pour les scénarios embarqués). Recommandations par défaut 2026 : Déploiement en production + usage commercial → Ultralytics YOLO (si l'AGPL ou une licence commerciale convient) OU Detectron2 (alternative Apache 2.0). Recherche / reproduction de publications → MMDetection. Précision maximale / scènes complexes → RT-DETR ou Co-DETR. Segmentation universelle / zero-shot → SAM 2. Accélération de l'annotation → SAM + workflows interactifs (intégration CVAT). Edge / mobile → YOLO avec TensorRT (NVIDIA) / CoreML (Apple) / TFLite (Android). Un Senior CV Engineer doit savoir quoi utiliser et quand.
Quelle part des offres propose du télétravail ?
Parmi les offres dont le mode de travail est indiqué, 24% sont en télétravail. Les offres sans mode de travail indiqué sont exclues du dénominateur ; le travail hybride n’est pas compté comme du télétravail.
En quoi l'Ingénieur Vision 3D (NeRF / Gaussian Splatting — en essor depuis 2024+) est-il différent ?
Ingénieur Vision 3D — sous-spécialisation de la CV centrée sur la compréhension 3D + le rendu neuronal. Au quotidien : 1) Reconstruction NeRF / Gaussian Splatting — vidéo en entrée → représentation de scène 3D. Outils : Instant-NGP (NVIDIA — NeRF rapide) / Nerfstudio (framework unifié) / gsplat (bibliothèque de Gaussian Splatting) / application Polycam pour la capture. 2) Traitement de nuages de points — données LiDAR (véhicules autonomes) ou caméras de profondeur (Kinect / RealSense). Outils : Open3D / PCL (Point Cloud Library) / PyTorch3D. 3) Structure-from-motion (SfM) — plusieurs images 2D → scène 3D. Outils : COLMAP (SfM standard du secteur). 4) SLAM (localisation et cartographie simultanées) — robotique / RA — suivre la pose de la caméra + construire la carte. Outils : ORB-SLAM3 / OpenVSLAM / Kimera. 5) Rendu différentiable — apprendre la 3D à partir d'une supervision 2D. Outils : Mitsuba 3 / nvdiffrast / Kaolin. 6) Génération 3D — texte → maillage 3D (DreamFusion + Magic3D + Zero-1-to-3) ou image → 3D (TripoSR / InstantMesh — open source 2024+). 7) Traitement de maillages — texturage / retopologie / dépliage UV pour les pipelines de contenu 3D. Stack spécifique : PyTorch3D (Meta — recherche 3D), Kaolin (NVIDIA — DL 3D), Mitsuba 3 (rendu différentiable), Open3D / PCL (nuages de points), COLMAP (SfM), Nerfstudio + gsplat (NeRF / 3DGS), API Python de Blender (manipulation de maillages). Parcours de carrière : CV Engineer Senior + intérêt pour l'infographie + portfolio concret NeRF / 3DGS → Ingénieur Vision 3D — 6-12 mois.
Par où commencer en Computer Vision en 2026 ?
Feuille de route : 1) Bases mathématiques — algèbre linéaire + analyse + bases de la géométrie projective (transformations / homographies / modèles de caméra). « Multiple View Geometry in Computer Vision » de Hartley / Zisserman — la bible des mathématiques de la vision (utilisable comme référence, inutile de le lire de bout en bout). 2) Python en profondeur + bases du ML — PyTorch + NumPy + Matplotlib. Construire un classifieur ML simple (MNIST). 3) Maîtrise d'OpenCV — opérations classiques de vision. Cours : « Computer Vision Course » de PyImageSearch (Adrian Rosebrock — la meilleure entrée pour OpenCV), documentation officielle + tutoriels d'OpenCV. Projets personnels : détection de contours / panorama par homographie / détection de visages avec les cascades de Haar classiques. 4) Deep learning pour la vision — Stanford CS231n « Convolutional Neural Networks for Visual Recognition » (Karpathy / Li — gratuit sur YouTube + diapositives — indispensable, le cours canonique de deep learning en vision). 5) Pratique de PyTorch + torchvision — entraîner ResNet / EfficientNet sur CIFAR-10, faire le fine-tuning d'un modèle pré-entraîné sur votre propre jeu de données. Apprendre la bibliothèque timm (modèles pré-entraînés). 6) Détection d'objets — pratique d'Ultralytics YOLO (l'entrée la plus facile — entraîner YOLO sur un jeu de données personnalisé en une journée). Puis Detectron2 (plus flexible). 7) Segmentation — Mask R-CNN via Detectron2, puis SAM (segmentation universelle) — essayer la segmentation interactive. 8) Outils d'annotation — maîtrise de CVAT (le standard du secteur pour l'annotation en vision). Annoter votre propre jeu de données (10-50 images), entraîner un détecteur dessus. 9) Maîtrise de l'augmentation — bibliothèque albumentations (indispensable pour la vision en production). Comprendre la stabilité de l'entraînement — une augmentation forte améliore la robustesse. 10) Transformers modernes pour la vision — Vision Transformer (ViT) + Swin Transformer + DINOv2 (modèle de fondation). Support de la vision dans Hugging Face Transformers. 11) LLM multimodaux — essayer GPT-4V + la vision de Claude + LLaVA / Qwen 2 VL open source pour comprendre. 12) Filière vision générative (populaire 2024–2026) : pratique de Stable Diffusion + FLUX, maîtrise des workflows ComfyUI, fine-tuning LoRA / DreamBooth. Cours : « Generative AI with Diffusion Models » de DeepLearning.AI. 13) Filière vision 3D (en croissance 2024+) : pratique de NeRF + Gaussian Splatting avec le framework Nerfstudio, capturer votre propre scène avec un téléphone (application Polycam), la reconstruire en 3DGS. 14) Pratique du déploiement en edge — convertir un modèle PyTorch → ONNX → TensorRT (sur GPU NVIDIA), mesurer la latence d'inférence. Essayer la conversion CoreML pour Apple Silicon. 15) Portfolio de projets personnels : a) pipeline de détection de niveau production (par ex. démo de comptage de poissons / de véhicules / de cellules) ; b) LoRA Stable Diffusion / FLUX personnalisée sur votre propre style ; c) reconstruction en Gaussian Splatting (une belle scène 3D à partir d'une vidéo de téléphone) ; d) application mobile de vision (déployée via CoreML/TFLite). Documenter sur GitHub + article de blog + démo vidéo. Formations russes : MIPT DLSchool (module vision — gratuit sur YouTube), filière « Computer Vision » de Karpov.Courses, Otus « Computer Vision », SkillFactory CV, filière AI Computer Vision de School21 (Sber). International (EN) : Stanford CS231n (canonique — gratuit sur YouTube), fast.ai Practical Deep Learning (vision incluse), Hugging Face Computer Vision Course (gratuit), le livre « Deep Learning for Computer Vision » de Mohamed Elgendy, PyImageSearch University (Adrian Rosebrock — orientation appliquée). Livres à lire absolument : « Deep Learning for Vision Systems » de Mohamed Elgendy (Manning), « Multiple View Geometry » de Hartley / Zisserman (référence mathématique), « Computer Vision: Algorithms and Applications » de Richard Szeliski (2e édition gratuite en ligne — encyclopédique). Conférences : CVPR (la référence — juin), ICCV (octobre, en alternance avec ECCV), ECCV (octobre, en alternance), NeurIPS (décembre — ML plus large avec une filière vision). Backend Senior / ML Engineer Middle + intérêt pour la vision + portfolio → ingénieur vision par ordinateur Junior — 6-12 mois. Doctorat en vision / robotique → ingénieur vision Senior — entrée directe.
Combien d’offres ouvertes cet échantillon contient-il ?
L’échantillon publié contient 303 offres ouvertes après regroupement des republications. C’est le même nombre que dans l’indicateur principal. La section géographique décrit la couverture de l’échantillon ; il ne s’agit pas d’une estimation de l’ensemble du marché.
De quelles compétences un ingénieur Computer Vision Senior a-t-il besoin ?
Un CV Engineer Senior prend en charge le cycle complet d'ingénierie de la vision + le leadership technique. Fondamentaux mathématiques : algèbre linéaire + géométrie projective (modèles de caméra / homographies / géométrie épipolaire) + analyse + théorie de l'optimisation — au niveau « sait lire des articles CVPR sans bloquer sur les maths ». Python en profondeur + niveau Backend Senior : maîtrise d'async / typing / FastAPI / pytest. Bases de C++ (pour le déploiement edge + noyaux OpenCV personnalisés — un plus). Maîtrise approfondie de PyTorch + torchvision : Datasets / Samplers / Losses / boucles d'entraînement personnalisés, entraînement distribué (DDP pour l'entraînement CV multi-GPU), précision mixte (FP16 / BF16 obligatoire en production), accumulation de gradients pour les grands modèles. Maîtrise d'OpenCV : opérations de CV classique (calibration / morphologie / transformées de Hough / homographie / appariement stéréo / flot optique), bases de l'API C++ pour les chemins critiques en performance. Transformers modernes pour la CV : maîtrise de ViT / Swin / DINOv2, stratégies de fine-tuning, architectures hybrides CNN-transformer. Maîtrise de la détection / segmentation d'objets : déploiement en production d'Ultralytics YOLO + conception d'architectures personnalisées Detectron2 + MMDetection / MMSegmentation si nécessaire + RT-DETR + intégration de SAM 2 dans les pipelines. Maîtrise de l'augmentation de données : albumentations avancé (transformations personnalisées + stratégies de composition), augmentation au moment du test (TTA), compréhension d'AutoAugment / RandAugment / CutMix / Mixup. Modèles de fondation : DINOv2 + CLIP + SigLIP + OpenCLIP — cas d'usage pour l'extraction de caractéristiques + la classification zero-shot + la recherche. LLM multimodaux (GPT-4V / Claude vision / LLaVA / Qwen 2 VL / Molmo) — quand les utiliser plutôt qu'entraîner un modèle personnalisé. Maîtrise de la CV générative (si la filière l'inclut) : Stable Diffusion + FLUX en profondeur — fine-tuning ControlNet / LoRA / DreamBooth / IP-Adapter / textual inversion. Conception de workflows ComfyUI. Bases de la génération vidéo (AnimateDiff / SVD). Maîtrise de la vision 3D (si la filière l'inclut) : NeRF + Gaussian Splatting + Nerfstudio + SfM COLMAP + nuages de points Open3D. Calibration de caméra + géométrie projective en profondeur. Maîtrise du déploiement edge : ONNX (export inter-frameworks + optimisation ONNX Runtime), TensorRT (NVIDIA — quantification INT8 + développement de plugins si nécessaire), CoreML (Apple Silicon — support des opérations Conv2D + spécificités du Neural Engine), TFLite (délégué Android NNAPI), pipelines MediaPipe, OpenVINO (iGPU Intel). Optimisation adaptée au matériel : quantification (PTQ + QAT), élagage, distillation (enseignant-élève), sparsité structurée (NVIDIA Ampere+ pour une accélération de 2×). Architecture de pipeline CV en production : concevoir au tableau blanc un pipeline de bout en bout — ingestion des données (caméras / disques / streaming cloud) → prétraitement → inférence par lots → post-traitement → suivi / agrégation → actions en aval. Systèmes multi-caméras : synchronisation + calibration + fusion pour l'autonome / la vidéosurveillance. Serving d'inférence : Triton Inference Server (NVIDIA — le meilleur pour le multi-modèles + batching dynamique), DeepStream (analytique vidéo NVIDIA), BentoML / TorchServe. Budgets de latence : concevoir pour des contraintes temps réel (autonome : 30+ FPS, AR : 60+ FPS, modération vidéo : le batch convient), optimisation guidée par le profilage (NVIDIA Nsight + PyTorch Profiler). Expertise métier : compréhension approfondie d'un ou deux domaines (conduite autonome / imagerie médicale / recherche visuelle en retail / perception robotique / AR/VR / imagerie satellite / contrôle qualité industriel) — principal moteur de la prime pour Senior+. Stratégie d'annotation : concevoir des workflows d'annotation à grande échelle (CVAT / Label Studio + assistance SAM), boucles d'apprentissage actif, contrôle qualité des labels. Méthodologie d'évaluation : compréhension approfondie des métriques COCO (AP / AP50 / AP75 / mAP@[.5:.95]), métriques de segmentation (mIoU / Dice / boundary F1), métriques propres au domaine (NDS / mAP pour la détection autonome), évaluation avec humain dans la boucle pour le génératif. Soft skills : rédaction d'ADR pour les décisions d'architecture CV, rédaction technique (documents de conception de fonctionnalités CV + brouillons d'articles en filière recherche), collaboration inter-équipes (équipes Produit / Backend / Robotique / Hardware), mentorat de CV Engineers Middle, discipline de lecture d'articles (CVPR / ICCV / ECCV / NeurIPS — à suivre absolument). Anglais INDISPENSABLE pour Senior+ — la communauté CV / la documentation / les articles / les conférences sont anglophones. Bonus facultatif : contributions open source à Ultralytics / Detectron2 / MMDetection / timm / albumentations / Nerfstudio — augmentent fortement la valeur sur le marché pour le recrutement CV des Big Tech / véhicules autonomes / IA générative. Articles dans les workshops CVPR / ICCV / ECCV — prime pour la filière Research Engineer CV.
Laisser une demande
Décrivez la tâche et laissez un contact : la demande arrive dans notre CRM et nous répondons au contact indiqué.