Computer Vision: рынок
Данные на 19 ноября 2026: открытых вакансий Computer Vision — 303, удалённых — 24% среди вакансий с указанным форматом работы; медианная зарплата в объявлениях — $10 927/мес (по 36 вакансиям с указанной зарплатой). Источник — Zorky, обновляется ежедневно.
Computer Vision Engineer (CV) — sister-discipline NLP в семействе ML, focused на обработке изображений и видео (не текстов). Зрелая область (с 1960-х), пересобранная deep learning'ом 2012 (AlexNet) → трансформерами 2020–2021 (ViT) → foundation моделями 2023–2024 (DINOv2 / SAM / CLIP) → generative bumom 2022–2026 (Stable Diffusion / FLUX). Focus задач: image classification, object detection (YOLO + Detectron2 + DETR), semantic / instance / panoptic segmentation (SAM + Mask R-CNN), OCR (PaddleOCR + EasyOCR + Tesseract legacy), face recognition + biometrics, video understanding (action recognition + tracking — ByteTrack / DeepSORT), multimodal (CLIP + GPT-4V + Claude vision + Gemini Vision), 3D vision (NeRF + Gaussian Splatting + structure-from-motion), generative image / video (Stable Diffusion / FLUX / Sora family), edge deployment (TensorRT + ONNX + CoreML + OpenVINO). Семейство ролей: Computer Vision Engineer (general — production CV pipelines), Senior CV Engineer (multi-task CV ownership + custom architectures), ML Research CV (academic-track — papers at CVPR / ICCV / ECCV — overlap с Research Engineer / Scientist), 3D Vision Engineer (NeRF / Gaussian Splatting / point cloud — rising 2024+), Generative AI Engineer (Image / Video) (Stable Diffusion / FLUX / Runway / Pika / Kling specialization — overlap с ai-engineer), Edge CV Engineer (TensorRT + mobile deployment specialization), Robotics Vision Engineer (SLAM + perception для роботов / автономных систем). Стек 2026: Python (монопольно — некоторые edge компоненты на C++/Rust). PyTorch + torchvision (foundation — 90%+ CV-research на PyTorch 2026), OpenCV (classical CV — still huge для preprocessing + traditional algorithms), Pillow (image manipulation). Self-supervised + foundation models: DINOv2 (Meta — best vision backbone 2024), CLIP + OpenCLIP + SigLIP (vision-language). Classification backbones: ViT (Vision Transformer) family, Swin Transformer, ConvNeXt (modern CNN), EfficientNet (legacy but still big), timm (PyTorch Image Models — Ross Wightman — must library, pretrained models). Data augmentation: albumentations (industry standard — fast + comprehensive), torchvision.transforms.v2 (modern), RandAugment + AugMix (research-recipe augment). OCR: PaddleOCR (Baidu — multilingual leader 2026), EasyOCR, Tesseract (legacy still big), Docling (IBM — modern doc understanding 2024+), Surya (multilingual OCR). Face recognition: InsightFace (open-source SOTA 2026 — ArcFace + RetinaFace), DeepFace (lightweight library), face_recognition (dlib wrapper). Russian face-rec: NtechLab FaceNGN / VisionLabs Luna / Tevian. Video understanding + tracking: ByteTrack (fastest tracker 2026), DeepSORT (classic), BoT-SORT, StrongSORT. Video models: VideoMAE, X-CLIP, InternVideo. 3D vision: NeRF (Neural Radiance Fields — original 2020), Instant-NGP (NVIDIA — 100× faster), Gaussian Splatting (3DGS) (rising 2023–2026 — фотореалистичный rendering), Nerfstudio (unified framework), Open3D (point cloud processing), PyTorch3D (Meta — 3D research). Generative video: Runway Gen-3, Pika 1.5, Kling AI (Kuaishou), Sora (OpenAI), AnimateDiff + SVD (Stable Video Diffusion) (open-source). Russian generative: Сбер Kandinsky 3. UIs: ComfyUI (node-based — research-favorite), Automatic1111 (web UI legacy). Fine-tuning generative: LoRA + DreamBooth для Stable Diffusion / FLUX. Inference serving: Triton Inference Server (NVIDIA — multi-framework + dynamic batching), BentoML, TorchServe. Annotation: CVAT (OpenCV — industry standard для detection / segmentation), Label Studio, V7 Darwin (commercial), Roboflow (popular для quick prototyping). Datasets: COCO + ImageNet + OpenImages + LAION-5B + Objects365 + Visual Genome. По данным Zorky, открыто 303 активных вакансий с явной CV-спецификой (реальный пул много шире — multiple CV roles classified как general ML Engineer / Backend / Robotics). Топ-стек: python, pytorch, c++, opencv, tensorflow. Среди вакансий с указанным форматом работы 24% — удалённые.
Данные на:
Главные цифры рынка Computer Vision: открытые вакансии, медианная зарплата, наблюдаемый пул специалистов и доля удалёнки.
На рынке Computer Vision сейчас 303 открытых вакансий, из них 275 со свежим наблюдением. Медианная зарплата $10 927/мес.
Среди вакансий с указанным форматом работы 24% — удалённые. CV work fully cloud-based standard. Аутсорсеры — почти всегда remote. Российские банки — гибрид/офис. Autonomous vehicle companies — research roles often remote, deployment requires on-site (Pittsburgh / Mountain View / Palo Alto). Generative AI companies — full-remote standard. Big Tech CV — гибрид-standard.
⚠ зарплата известна у 36 из 303 вакансий; доля удалёнки — от 244 с указанным форматом; свежими наблюдениями считаются 275; тренд и сложность найма не показываются
Динамика: вакансии и источники
Сколько вакансий Computer Vision появлялось каждую неделю с 1 июн. и из скольких источников они пришли. Нижний график нужен, чтобы отличать рост рынка от роста нашего охвата: скачок вакансий в неделю, когда подключились новые источники, — это мы стали видеть больше, а не рынок вырос.
Новые вакансии за неделю
Данные графика
| Период | Новые вакансии за неделю |
|---|---|
| 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 |
Активных источников за неделю
Источников всего за период: 118. ▲ — неделя, когда подключилось много новых источников.
Данные графика
| Период | Активных источников |
|---|---|
| 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 |
Подключение новых источников: 6 июл. +14 · 13 июл. +10 · все недели (22) — в таблице
| Неделя | Новых источников | Новых вакансий |
|---|---|---|
| 8 июн. | +5 | 13 |
| 15 июн. | +1 | 6 |
| 22 июн. | +8 | 25 |
| 29 июн. | +7 | 23 |
| 6 июл. | +14 | 47 |
| 13 июл. | +10 | 50 |
| 20 июл. | +4 | 23 |
| 27 июл. | +4 | 23 |
| 3 авг. | +5 | 27 |
| 10 авг. | +2 | 17 |
| 17 авг. | +2 | 13 |
| 24 авг. | +1 | 25 |
| 31 авг. | +2 | 15 |
| 7 сент. | +4 | 25 |
| 21 сент. | +6 | 66 |
| 28 сент. | +1 | 32 |
| 5 окт. | +6 | 42 |
| 12 окт. | +8 | 157 |
| 19 окт. | +6 | 71 |
| 26 окт. | +4 | 61 |
| 2 нояб. | +6 | 72 |
| 9 нояб. | +4 | 52 |
Текущая неделя ещё не закончилась и не показана: неполная неделя выглядела бы как спад.
Неделя — по дате появления вакансии, все статусы; отбор вакансий — то же правило, что у счётчика этой страницы. Источники — различные каналы сбора, их имена не публикуются.
Данные графика
| Неделя | Новые вакансии за неделю | Активных источников |
|---|---|---|
| 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 |
Зарплаты во времени
Медиана зарплат в вакансиях Computer Vision по неделям, в долларах США в месяц.
Медиана зарплаты, $ в месяц
Данные графика
| Период | Медиана | Сколько вакансий с зарплатой за неделю (n) |
|---|---|---|
| 2026-10-26 | 13 958 | 10 |
| 2026-11-02 | 9 192 | 15 |
| 2026-11-09 | 11 938 | 10 |
Ряд начинается с 26 окт.: раньше данных нет.
Только вакансии с зарплатой в долларах и известным периодом (месяц или год), от $500 до $50 000 в месяц. Недели, где таких вакансий меньше 10, пропущены — это «нет данных», а не ноль.
Данные графика
| Неделя | Медиана |
|---|---|
| 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 |
Удалённая работа во времени
Какая доля вакансий Computer Vision предлагала полностью удалённую работу — по неделям.
Доля удалённых вакансий, %
Данные графика
| Период | Удалённо |
|---|---|
| 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 |
Ряд начинается с 22 июн.: раньше данных нет.
Доля считается среди вакансий, где формат указан (удалённо, гибрид, офис). Недели, где таких меньше 10, пропущены.
Данные графика
| Неделя | Удалённо |
|---|---|
| 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 |
Технологии во времени
Как менялась доля вакансий Computer Vision, где упоминается каждая из главных технологий.
Доля вакансий с технологией, %
Данные графика
| Период | 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 |
Ряд начинается с 21 сент.: раньше данных нет.
Доля — среди вакансий с размеченным стеком; ряд начинается с 10 авг.: раньше метки стека ставились по-другому. Недели, где размеченных вакансий меньше 20, пропущены.
Данные графика
| Неделя | 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 |
Страны во времени
Как менялась доля вакансий Computer Vision в каждой из главных стран — по неделям.
Доля вакансий в стране, %
Данные графика
| Период | США | Россия | Великобритания |
|---|---|---|---|
| 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 |
Ряд начинается с 22 июн.: раньше данных нет.
Доля — среди вакансий, где страна известна; на графике пять стран с наибольшим числом вакансий за полгода. Недели, где вакансий с известной страной меньше 20, пропущены. Рост доли страны может означать подключение нового источника в этой стране, а не рост рынка.
Данные графика
| Неделя | США | Россия | Великобритания | Германия | Украина |
|---|---|---|---|---|---|
| 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 |
Чистый рынок: индекс найма
Одни и те же 7 505 досок вакансий работодателей; число вакансий берётся с самой доски. Подключение новых источников этот индекс не двигает — он показывает рынок, а не наш охват. Это весь рынок по панели, а не только Computer Vision.
Индекс найма, 16 окт. = 100
Данные графика
| Период | Индекс найма |
|---|---|
| 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 |
Цепной индекс: каждый день сравниваются только доски, опрошенные и в этот, и в предыдущий день; выбросы и сбои опроса целой платформы исключаются. Дни без сопоставимых пар пропущены.
Данные графика
| День | Индекс найма |
|---|---|
| 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 |
Сколько открытых вакансий Computer Vision и сколько подходящих специалистов видит Zorky.
Спрос и наблюдаемый пул
Данные графика
| Показатель | Значение |
|---|---|
| Открытый спрос | 303 |
| Открытый спрос | 303 |
| Наблюдаемый пул | — не публикуется |
CV — зрелая ML-область (с 1960-х), пересобранная deep learning'ом 2012 → трансформерами 2020 → foundation models 2023–2024 (DINOv2 / SAM 2) → generative bumom 2022–2026 (Stable Diffusion / FLUX / Sora). Pool small в нашей выборке — реальный рынок шире за счёт overlap с general ML / Robotics.
⚠ подходящих под вакансию кандидатов пока не считаем: показаны спрос и наблюдаемый пул
Как распределены зарплаты в вакансиях Computer Vision, в долларах США в месяц.
Распределение зарплат
Данные графика
| Показатель | Значение |
|---|---|
| <$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 |
- пригодна для расчёта: 36 (11,9%)
- указана, но не приведена к $/мес: 30 (9,9%)
- не указана: 237 (78,2%)
В каждой десятой вакансии вилка ниже $4 625, в каждой десятой — выше $18 877. Половина вакансий предлагает от $7 500 до $15 208. Выборка: 36.
Данные графика
| Показатель | Нижняя граница | Верхняя граница | Количество |
|---|---|---|---|
| <$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 |
В каких странах больше всего открытых вакансий Computer Vision.
География спроса
| страна | вакансий | доля |
|---|---|---|
| Соединенные Штаты | 89 | 33,8% |
| Германия | 23 | 8,7% |
| Великобритания | 18 | 6,8% |
| Польша | 12 | 4,6% |
| Украина | 12 | 4,6% |
| Россия | 10 | 3,8% |
| Сингапур | 9 | 3,4% |
| Канада | 7 | 2,7% |
| Казахстан | 7 | 2,7% |
| Индия | 7 | 2,7% |
| Остальные страны | 69 | 26,2% |
Лидер по числу CV Engineer-вакансий — США (89 позиций). Польша — CV-friendly EU-хаб. Германия — Berlin AI + Munich automotive (BMW / Mercedes AI / Bosch / Continental autonomous teams). UK — London (Wayve autonomous + Tractable). США — Bay Area + Pittsburgh (autonomous vehicle clusters) + Boston (Robotics MIT region). Огромный международный remote через autonomous vehicle companies (Tesla / Waymo / Cruise / Wayve / Pony.ai / Zoox / Aurora) + generative AI (Stability / Black Forest Labs / Runway / Pika / Kling) + Big Tech CV + Y Combinator CV-startups.
⚠ только число вакансий: зарплата по странам не публикуется
Данные графика
| Страна | Вакансии |
|---|---|
| US | 89 |
| DE | 23 |
| GB | 18 |
| PL | 12 |
| UA | 12 |
| RU | 10 |
| SG | 9 |
| CA | 7 |
| KZ | 7 |
| IN | 7 |
Какие технологии чаще всего требуют в одной вакансии с Computer Vision.
С чем используется вместе
Доля — сколько из 303 вакансий рынка «Computer Vision» упоминают эту технологию. Порядок — по числу вакансий, не по «силе связи». Обобщения вроде cloud не равны конкретному облаку (AWS, Azure).
Russian: NtechLab FaceNGN + VisionLabs Luna + Tevian + RecFaces, video tracking: ByteTrack (fastest) + DeepSORT + BoT-SORT + StrongSORT + MOTRv2. Video models: VideoMAE + X-CLIP + InternVideo, 3D vision: NeRF + Instant-NGP (NVIDIA) + Gaussian Splatting (rising 2023–2026) + Nerfstudio + Open3D + PyTorch3D (Meta) + Kaolin (NVIDIA) + COLMAP (SfM) + Mitsuba 3, generative: Stable Diffusion SDXL/SD3/SD3.5 + FLUX.1 (Black Forest Labs) + DALL-E 3 + Imagen 3 + Midjourney v6 + Ideogram. Video: Runway Gen-3 + Pika 1.5 + Kling + Sora + AnimateDiff + SVD.
Частые пары: Python + PyTorch + torchvision + OpenCV (classical CV foundation), Ultralytics YOLO + albumentations + CVAT (production detection pipeline), Detectron2 + MMDetection + timm (research-flexible stack), SAM 2 + ByteTrack + DeepSORT (video understanding + tracking), DINOv2 + CLIP + multimodal LLM (foundation model + vision-language stack), Stable Diffusion + FLUX + ComfyUI + LoRA / DreamBooth (generative image stack), NeRF + Gaussian Splatting + Nerfstudio + COLMAP + Open3D (3D vision stack), PyTorch + ONNX + TensorRT + CoreML (edge deployment stack), NVIDIA DeepStream + Triton + Kubernetes (production video analytics). Learning-roadmap: math foundations → Python + ML basics → OpenCV classical CV → Stanford CS231n → PyTorch + torchvision + timm → Ultralytics YOLO + Detectron2 → SAM + DINOv2 → multimodal LLM → generative track (SD/FLUX/ComfyUI) → 3D vision (NeRF/3DGS) → edge deployment hands-on (TensorRT/CoreML) → annotation tooling (CVAT) → pet-project portfolio (4 demos).
Данные графика
| Название | Количество |
|---|---|
| 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 |
Сколько вакансий Computer Vision на каждом уровне — от junior до principal.
Спрос по уровням
| уровень | вакансий |
|---|---|
| senior | 87 |
| junior | 26 |
| middle | 25 |
| principal | 16 |
| lead | 12 |
Junior — typical entry: MS / PhD CV / Robotics + portfolio (Kaggle CV competitions / GitHub CV-projects). Career-flow: Backend Senior / ML Middle (2-3 года) + CV interest + portfolio → CV Engineer Junior (1-2 года) → Middle (2-3 года) → Senior → либо 3D Vision Engineer (NeRF / Gaussian Splatting), либо Edge CV Engineer (TensorRT / CoreML mastery), либо Generative AI Engineer (image/video), либо ML Research CV (academic-track papers CVPR / ICCV / ECCV), либо Autonomous Vehicle Perception Engineer. Цифры основаны на small sample — для broader benchmarks смотрите ml-engineer / research страницы.
⚠ только сторона спроса: грейд наблюдаемого пула неизвестен у большинства
Данные графика
| Уровень | Количество |
|---|---|
| senior | 87 |
| junior | 26 |
| middle | 25 |
| principal | 16 |
| lead | 12 |
Кто больше всех нанимает по Computer Vision и насколько спрос сосредоточен у крупных компаний.
Работодатели
Спрос распределён между 220 работодателями. На крупнейшего приходится 2.5%, на десятку — 15.4%; остальные 84.6% — длинный хвост.
| доля | значение |
|---|---|
| крупнейший | 2.5% |
| топ-3 | 6.7% |
| топ-10 | 15.4% |
| длинный хвост | 84.6% |
⚠ имена не показываются: кадровые агентства и конечные работодатели пока не различаются классификацией
С каких сайтов компаний и досок Zorky собирает вакансии Computer Vision.
Откуда Zorky видит этот рынок
Наблюдение идёт из 53 источников; на крупнейший приходится 12.9% — рынок не держится на одном канале.
Данные графика
| Класс | Название | Название на английском | Количество | Доля |
|---|---|---|---|---|
| ats | ATS и карьерные сайты | ATS & career sites | 204 | 0,6733 |
| board | джоб-борды и агрегаторы | job boards & aggregators | 84 | 0,2772 |
| telegram | Telegram | Telegram | 11 | 0,0363 |
| community | сообщества и публичные профили | community & public profiles | 4 | 0,0132 |
Самые новые вакансии Computer Vision с сайтов компаний.
Свежие вакансии
- 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
Свежие открытые Computer Vision Engineer-вакансии — последние позиции в выборке (узкий pool явных CV roles — реальный рынок шире за счёт overlap с ml-engineer / robotics). Полный список — в нашем CRM или по ссылке «смотреть все» ниже. Для broader view посмотрите ml-engineer + ai-engineer страницы.
Соседние рынки
Computer Vision Engineer пересекается с ML Engineer (production ML overlap ~60%), AI Engineer (multimodal LLM overlap), NLP Engineer (vision-language models), Research Engineer (CVPR / ICCV / ECCV papers track), Robotics Engineer (SLAM + perception), Edge ML / MLOps Engineer (deployment overlap). Сравнение с ml-engineer/ai-engineer/nlp/data-scientist/research/mlops — в SiblingSubnichesChart выше.
⚠ соседние рынки для сравнения ещё не определены
Как это посчитано
- Вакансия
- открытая вакансия, прошедшая гейт качества и содержащая не менее двух технологий
- Наблюдаемый кандидат
- кандидат, чей стек содержит эту технологию; агрегат, без единой записи наружу
- Подходящий кандидат
- пока не считается
- Окно
- открытые вакансии на момент сборки снимка
О данных
- Некоторые разрезы скрыты: по ним пока недостаточно полноты данных.
- Статистика строится только там, где выборка проходит порог качества.
- Отсутствие блока не означает нулевое значение.
Сейчас скрыто разрезов: 8.
Направление: AI / ML / DS
Соседние специализации
Внутри Computer Vision Engineer: CV Engineer (general — production CV pipelines), Senior CV Engineer (multi-task ownership + custom architectures), ML Research CV (academic-track — CVPR / ICCV / ECCV — overlap с research), 3D Vision Engineer (NeRF / Gaussian Splatting / point cloud — rising 2024+), Generative AI Image/Video Engineer (Stable Diffusion / FLUX / Runway / Pika / Kling — overlap с ai-engineer), Edge CV Engineer (TensorRT + CoreML + mobile deployment), Robotics Vision Engineer (SLAM + perception для роботов / автономных систем). Сравнение с ml-engineer/ai-engineer/nlp/data-scientist/research/mlops — в баре ниже.
Частые вопросы
Самые частые вопросы про Computer Vision Engineer: зарплаты (премиум-сегмент за rare-skill), CV vs ML vs AI Engineer (3-way comparison + 5 distinctions), object detection stack 2026 (YOLO vs Detectron2 vs MMDetection vs DETR vs SAM decision tree), 3D Vision Engineer (rising 2024+ sub-specialization), удалёнка, как стать (6-12 месяцев из Backend / ML Middle + portfolio), Senior skills (PyTorch deep + OpenCV mastery + detection / segmentation frameworks + edge deployment + один domain). Ответы пересчитываются автоматически.
Какой стек чаще всего требуют от CV Engineer?
Топ-5: python, pytorch, c++, opencv, tensorflow. Python deep (монопольно — edge components иногда C++/Rust). OpenCV mastery: classical CV ops (cv2.findContours / cv2.HoughLines / Canny edge / morphology / homography / camera calibration / stereo matching — must для preprocessing + traditional algorithms). Pillow (PIL — image manipulation). Self-supervised + foundation models: DINOv2 (Meta — best vision backbone 2024 для feature extraction), CLIP + OpenCLIP + SigLIP (vision-language alignment), MAE (Masked Autoencoder). Classification backbones: ViT (Vision Transformer) family — ViT-B/L/H, Swin Transformer, ConvNeXt (modern CNN), EfficientNet + MobileNet (efficient), timm (PyTorch Image Models — Ross Wightman — pretrained models, must-library). Data augmentation: albumentations (industry standard — fast + comprehensive — 30+ augmentation types), torchvision.transforms.v2 (modern PyTorch native), RandAugment + AugMix + Mixup + CutMix (research recipes). Multimodal LLM: GPT-4V + Claude 3.5 Sonnet vision + Gemini 1.5/2.0 Pro vision + open-source LLaVA + Qwen 2 VL + InternVL + Idefics2 + Molmo (best open multimodal 2024). OCR: PaddleOCR (Baidu — multilingual leader 2026 — 80+ languages), EasyOCR, Tesseract (legacy still huge), Docling (IBM 2024 — doc understanding), Surya (multilingual modern), TrOCR (Microsoft transformer-based). Face recognition: InsightFace (open-source SOTA 2026 — ArcFace + RetinaFace + Buffalo models), DeepFace, face_recognition (dlib wrapper). Russian: NtechLab FaceNGN / VisionLabs Luna / Tevian / RecFaces. Video understanding + tracking: ByteTrack (fastest tracker 2026), DeepSORT, BoT-SORT, StrongSORT, MOTRv2. Video models: VideoMAE, X-CLIP, InternVideo, MViT. 3D vision: NeRF (original 2020) + Instant-NGP (NVIDIA — 100× faster) + Gaussian Splatting (3DGS) (rising 2023–2026 — фотореалистичный rendering, заменяет NeRF), Nerfstudio (unified framework), Open3D (point cloud processing), PyTorch3D (Meta), Kaolin (NVIDIA), COLMAP (structure-from-motion), Mitsuba 3 (differentiable rendering). Generative image / video: Stable Diffusion family (SDXL + SD3 + SD3.5 — Stability AI), FLUX.1 (Black Forest Labs — открытый рекорд качества 2024+), DALL-E 3 / Imagen 3 / Midjourney v6 / Ideogram (text-in-image). Video: Runway Gen-3 / Pika 1.5 / Kling AI / Sora / AnimateDiff / SVD. UIs для generative: ComfyUI (node-based — research-favorite), Automatic1111. Fine-tuning generative: LoRA + DreamBooth для Stable Diffusion / FLUX. Inference serving: Triton Inference Server + BentoML + TorchServe. Annotation: CVAT (OpenCV — industry standard для detection / segmentation), Label Studio + V7 Darwin (commercial) + Roboflow (rapid prototyping). Datasets: COCO (detection / segmentation benchmark) + ImageNet (classification) + OpenImages + LAION-5B (web-scale generative training) + Objects365 + Visual Genome + ADE20K (segmentation) + Cityscapes (autonomous driving). Hardware-aware optimization: quantization (INT8 / FP16), pruning, distillation, structured sparsity (for NVIDIA Ampere+ tensor cores).
Computer Vision Engineer vs ML Engineer vs AI Engineer — в чём разница?
Все три роли overlap в 2026, но focus areas различные. ML Engineer — generalist, владеет production ML stack (recsys / fraud / ranking / classical ML + LLM). Может работать с CV-data, но не deep specialization. См. ML Engineer. AI Engineer / LLM Engineer — focus на LLM integration (text-focused). См. AI / LLM Engineer. NLP Engineer — focus на text + speech. См. NLP Engineer. Computer Vision Engineer (эта страница) — focus на image / video / 3D data. Distinctions: 1) Image processing intuition — CV Engineer understands camera models / lens distortion / color spaces / histogram analysis / morphological ops — classical CV foundation. AI Engineer обычно ничего такого не знает. 2) Computational constraints — CV models heavy (gigabytes), inference latency critical (autonomous driving — 30+ FPS mandate), edge deployment (TensorRT / CoreML / OpenVINO mastery) — exclusive CV territory. 3) Generative image / video specialization — Stable Diffusion / FLUX / ComfyUI workflow expertise — CV-niche specifically (overlaps с AI Engineer для text-driven generation). 4) 3D vision skills — NeRF / Gaussian Splatting / point cloud / SLAM / camera calibration — exclusive CV. 5) Domain expertise — CV roles часто tied к specific industry (autonomous vehicles / medical imaging / robotics / AR/VR / satellite imagery / manufacturing QC). Each domain имеет свои датасеты + правила. Career-pivots: ML Engineer Senior → CV Engineer — 4-8 месяцев (need OpenCV + Ultralytics + Detectron2 + albumentations + один domain). CV Engineer Senior → ML Engineer — 2-4 месяца (easy lateral, добавить MLOps + LLM basics). CV Engineer Senior → AI Engineer (LLM track) — 3-6 месяцев. Hot 2025–2026 sub-specializations: 3D Vision (Gaussian Splatting) / Generative Image-Video (FLUX + Sora-style) / Multimodal (Vision-Language Models — LLaVA / Molmo).
Object detection stack 2026 — YOLO vs Detectron2 vs MMDetection vs DETR vs SAM?
Decision tree для object detection / segmentation 2026: 1) Ultralytics YOLO (YOLOv8 / v9 / v10 / v11) — default choice 2026 для object detection. Pros: easy training (3-5 lines of code), good docs + community, fast inference (real-time на CPU + edge), wide deployment support (ONNX + TensorRT + CoreML + TFLite native). Cons: Ultralytics license requires AGPL or commercial license ($$) для proprietary use, less academic-flexible чем Detectron2 / MMDetection. 2) Detectron2 (Meta) — research-grade. Pros: clean API, flexible (easy custom architectures), Apache 2.0 license (commercial-friendly), backed by Meta. Cons: slower training than Ultralytics, larger learning curve. Use case: complex custom architectures, research projects, when you need fine control over training loop. 3) MMDetection / MMSegmentation / MMPose (OpenMMLab — Chinese consortium) — huge ecosystem. Pros: 100+ pre-implemented architectures (старые и новые), papers reference implementations always там first, Apache 2.0. Cons: config-heavy (steep learning curve), Chinese-language community sometimes hard для English-only, dependencies могут конфликтовать. Use case: research, comparing many architectures, paper reproduction. 4) DETR family (transformer-based detection) — modern paradigm shift 2020+. RT-DETR (Real-Time DETR — Baidu, rising 2024+ — competitor к YOLO в real-time space), DINO-DETR, Co-DETR. Pros: end-to-end (no NMS post-processing), often better accuracy on complex scenes. Cons: slower inference чем YOLO, more compute-hungry для training. Use case: highest-accuracy needs, complex scenes (crowded objects). 5) SAM (Segment Anything Model — Meta 2023) + SAM 2 (video version 2024) — universal segmentation. Use case: a) zero-shot segmentation (segment anything без training), b) interactive annotation tool (point / box prompt → mask), c) data labeling acceleration (SAM-assisted annotation 10× faster). Combine с YOLO / Detectron2: detector → SAM для precise masks. 6) Classical detection (HOG + cascade classifiers — OpenCV) — only для very simple cases, edge devices без GPU, low-power microcontrollers (still relevant для embedded scenarios). Default 2026 рекомендации: Production deployment + commercial → Ultralytics YOLO (если ok с AGPL or commercial license) OR Detectron2 (Apache 2.0 alternative). Research / paper reproduction → MMDetection. Highest accuracy / complex scenes → RT-DETR или Co-DETR. Universal / zero-shot segmentation → SAM 2. Annotation acceleration → SAM + interactive workflows (CVAT integration). Edge / mobile → YOLO с TensorRT (NVIDIA) / CoreML (Apple) / TFLite (Android). Senior CV Engineer должен знать когда какой инструмент.
Какая доля вакансий предполагает удалённую работу?
Среди вакансий с указанным форматом работы 24% — удалённые. Вакансии без указанного формата не входят в знаменатель; гибридная работа не считается удалённой.
Чем 3D Vision Engineer (NeRF / Gaussian Splatting — rising 2024+) отличается?
3D Vision Engineer — sub-specialization внутри CV focused на 3D understanding + neural rendering. Day-to-day: 1) NeRF / Gaussian Splatting reconstruction — input video → 3D scene representation. Tools: Instant-NGP (NVIDIA — fast NeRF) / Nerfstudio (unified framework) / gsplat (Gaussian Splatting library) / Polycam app для capture. 2) Point cloud processing — LiDAR data (autonomous vehicles) или depth cameras (Kinect / RealSense). Tools: Open3D / PCL (Point Cloud Library) / PyTorch3D. 3) Structure-from-motion (SfM) — multiple 2D images → 3D scene. Tools: COLMAP (industry standard SfM). 4) SLAM (Simultaneous Localization and Mapping) — robotics / AR — track camera pose + build map. Tools: ORB-SLAM3 / OpenVSLAM / Kimera. 5) Differentiable rendering — learn 3D from 2D supervision. Tools: Mitsuba 3 / nvdiffrast / Kaolin. 6) 3D generation — text → 3D mesh (DreamFusion + Magic3D + Zero-1-to-3) или image → 3D (TripoSR / InstantMesh — open-source 2024+). 7) Mesh processing — texturing / retopology / UV unwrapping для 3D content pipelines. Stack-specific: PyTorch3D (Meta — 3D research), Kaolin (NVIDIA — 3D DL), Mitsuba 3 (differentiable rendering), Open3D / PCL (point cloud), COLMAP (SfM), Nerfstudio + gsplat (NeRF / 3DGS), Blender Python API (mesh manipulation). Career-flow: CV Engineer Senior + computer graphics interest + NeRF / 3DGS hands-on portfolio → 3D Vision Engineer — 6-12 месяцев.
С чего начинать в Computer Vision в 2026?
Roadmap: 1) Math foundations — линейная алгебра + матанализ + основы projective geometry (transformations / homographies / camera models). «Multiple View Geometry in Computer Vision» Hartley / Zisserman — bible для CV math (можно использовать как reference, не читать целиком). 2) Python deep + ML basics — PyTorch + NumPy + Matplotlib. Build simple ML classifier (MNIST). 3) OpenCV mastery — classical CV ops. Курс: «Computer Vision Course» от PyImageSearch (Adrian Rosebrock — best entry для OpenCV), OpenCV official documentation + tutorials. Build pet-projects: edge detection / homography panorama stitching / face detection с classical Haar cascades. 4) Deep Learning для Vision — Stanford CS231n «Convolutional Neural Networks for Visual Recognition» (Karpathy / Li — free YouTube + slides — must-do, canonical CV deep learning course). 5) PyTorch + torchvision hands-on — train ResNet / EfficientNet on CIFAR-10, fine-tune pretrained model на own dataset. Учиться использовать timm library (pretrained models). 6) Object detection — Ultralytics YOLO hands-on (easiest entry — train YOLO on custom dataset за день). Затем Detectron2 (more flexible). 7) Segmentation — Mask R-CNN через Detectron2, затем SAM (universal segmentation) — try interactive segmentation. 8) Annotation tooling — CVAT mastery (industry standard для CV annotation). Annotate own dataset (10-50 images), train detector on it. 9) Augmentation mastery — albumentations library (must для production CV). Understand training stability — strong augmentation improves robustness. 10) Modern transformers для CV — Vision Transformer (ViT) + Swin Transformer + DINOv2 (foundation model). Hugging Face Transformers vision support. 11) Multimodal LLM — try GPT-4V + Claude vision + open-source LLaVA / Qwen 2 VL для understanding. 12) Generative CV track (popular 2024–2026): Stable Diffusion + FLUX hands-on, ComfyUI workflows mastery, LoRA / DreamBooth fine-tuning. Курс: «Generative AI with Diffusion Models» DeepLearning.AI. 13) 3D Vision track (rising 2024+): NeRF + Gaussian Splatting hands-on с Nerfstudio framework, capture own scene на phone (Polycam app), reconstruct as 3DGS. 14) Edge deployment hands-on — convert PyTorch model → ONNX → TensorRT (on NVIDIA GPU), benchmark inference latency. Try CoreML conversion для Apple Silicon. 15) Pet-проект portfolio: a) production-grade detection pipeline (e.g. fish-counting / vehicle-counting / cell-counting demo); b) custom Stable Diffusion / FLUX LoRA на own style; c) Gaussian Splatting reconstruction (cool 3D scene from phone video); d) mobile CV app (deploy via CoreML/TFLite). Document на GitHub + blog post + video demo. Курсы РФ: МФТИ DLSchool (CV модуль — free YouTube), Karpov.Courses «Computer Vision» track, Otus «Computer Vision», SkillFactory CV, School21 (Сбер) AI Computer Vision track. International (eng): Stanford CS231n (canonical — free YouTube), fast.ai Practical Deep Learning (CV included), Hugging Face Computer Vision Course (free), «Deep Learning for Computer Vision» book Mohamed Elgendy, PyImageSearch University (Adrian Rosebrock — applied focus). Books-must: «Deep Learning for Vision Systems» Mohamed Elgendy (Manning), «Multiple View Geometry» Hartley / Zisserman (math reference), «Computer Vision: Algorithms and Applications» Richard Szeliski (free 2nd edition online — encyclopedic). Conferences: CVPR (top — June), ICCV (October, alternating с ECCV), ECCV (October alternating), NeurIPS (December — broader ML с CV-track). Backend Senior / ML Engineer Middle + CV interest + portfolio → CV Engineer Junior — 6-12 месяцев. PhD CV / Robotics → Senior CV Engineer — direct entry.
Сколько открытых вакансий в этой выборке?
В опубликованной выборке — 303 открытых вакансий без перепубликаций. Это тот же показатель, что в верхнем блоке страницы. География выборки представлена в разделе географии; это не оценка всего рынка.
Какие навыки нужны Senior CV Engineer?
Senior CV Engineer владеет полным циклом vision engineering + technical leadership. Math foundations: linear algebra + projective geometry (camera models / homographies / epipolar geometry) + calculus + optimization theory — на уровне «can read CVPR papers without math blocks». Python deep + Backend Senior level: async / typing / FastAPI / pytest mastery. C++ basics (для edge deployment + OpenCV custom kernels — nice to have). PyTorch + torchvision mastery deep: custom Datasets / Samplers / Losses / training loops, distributed training (DDP for multi-GPU CV training), mixed-precision (FP16 / BF16 mandatory для production), gradient accumulation для large models. OpenCV mastery: classical CV ops mastery (calibration / morphology / Hough transforms / homography / stereo matching / optical flow), C++ API basics для performance-critical paths. Modern transformers для CV: ViT / Swin / DINOv2 mastery, fine-tuning strategies, hybrid CNN-transformer architectures. Object detection / segmentation mastery: Ultralytics YOLO production deployment + Detectron2 custom architecture authoring + MMDetection / MMSegmentation when needed + RT-DETR + SAM 2 integration в pipelines. Data augmentation mastery: albumentations advanced (custom transforms + composition strategies), test-time augmentation (TTA), AutoAugment / RandAugment / CutMix / Mixup understanding. Foundation models: DINOv2 + CLIP + SigLIP + OpenCLIP — use cases для feature extraction + zero-shot classification + retrieval. Multimodal LLM (GPT-4V / Claude vision / LLaVA / Qwen 2 VL / Molmo) — when to use vs train custom model. Generative CV mastery (if track включает): Stable Diffusion + FLUX deep — ControlNet / LoRA / DreamBooth / IP-Adapter / textual inversion fine-tuning. ComfyUI workflow authoring. Video generation basics (AnimateDiff / SVD). 3D Vision mastery (if track включает): NeRF + Gaussian Splatting + Nerfstudio + COLMAP SfM + Open3D point clouds. Camera calibration + projective geometry deep. Edge deployment mastery: ONNX (cross-framework export + ONNX Runtime optimization), TensorRT (NVIDIA — INT8 quantization + plugin development если нужно), CoreML (Apple Silicon — Conv2D ops support + Neural Engine specifics), TFLite (Android NNAPI delegate), MediaPipe pipelines, OpenVINO (Intel iGPU). Hardware-aware optimization: quantization (PTQ + QAT), pruning, distillation (teacher-student), structured sparsity (NVIDIA Ampere+ для 2× speedup). Production CV pipeline architecture: design end-to-end pipeline на whiteboard — data ingestion (cameras / drives / cloud streaming) → preprocessing → batched inference → post-processing → tracking / aggregation → downstream actions. Multi-camera systems: synchronization + calibration + fusion для autonomous / surveillance. Inference serving: Triton Inference Server (NVIDIA — best для multi-model + dynamic batching), DeepStream (NVIDIA video analytics), BentoML / TorchServe. Latency budgets: design for real-time constraints (autonomous: 30+ FPS, AR: 60+ FPS, video moderation: batch ok), profile-driven optimization (NVIDIA Nsight + PyTorch Profiler). Domain expertise: deep understanding одного-двух domains (autonomous driving / medical imaging / retail visual search / robotics perception / AR/VR / satellite imagery / manufacturing QC) — главный premium-driver Senior+. Annotation strategy: design large-scale annotation workflows (CVAT / Label Studio + SAM-assisted), active learning loops, label quality control. Evaluation methodology: COCO metrics (AP / AP50 / AP75 / mAP@[.5:.95]) deep understanding, segmentation metrics (mIoU / Dice / boundary F1), domain-specific metrics (NDS / mAP для autonomous detection), human-in-the-loop evaluation для generative. Soft: ADRs writing для CV architecture decisions, technical writing (CV feature design docs + paper drafts если research-track), cross-team collaboration (Product / Backend / Robotics / Hardware teams), mentoring Middle CV Engineers, paper-reading discipline (CVPR / ICCV / ECCV / NeurIPS must-follow). Английский для Senior+ MUST — CV community / docs / papers / conferences англоязычные. Optional bonus: open-source contributions в Ultralytics / Detectron2 / MMDetection / timm / albumentations / Nerfstudio — резко повышают market value для Big Tech CV / autonomous vehicles / generative AI hiring. Papers at CVPR / ICCV / ECCV workshops — премиум для Research Engineer CV track.
Оставить заявку
Опишите задачу и оставьте контакт — заявка попадёт в CRM, ответим на указанный контакт.