Мы используем технические cookie и обезличенный журнал посещений Zorky. Яндекс Метрику (данные хранятся на серверах в РФ) включаем только с вашего согласия. Данные не продаём. Подробнее о cookie и статистике.
Zorky в тестовом режиме — всё бесплатно. Вакансии и страницы компаний открыты всем; ссылки на объявления и личная подборка — после регистрации. Зарегистрироваться →

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.

303
открытых вакансий — по заголовку вакансии, без перепубликаций
$10 927
медиана $/мес
24%
удалённых

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
Новые вакансии за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодНовые вакансии за неделю
2026-06-0111
2026-06-0813
2026-06-156
2026-06-2225
2026-06-2923
2026-07-0647
2026-07-1350
2026-07-2023
2026-07-2723
2026-08-0327
2026-08-1017
2026-08-1713
2026-08-2425
2026-08-3115
2026-09-0725
2026-09-1430
2026-09-2166
2026-09-2832
2026-10-0542
2026-10-12157
2026-10-1971
2026-10-2661
2026-11-0272
2026-11-0952

Активных источников за неделю

Источников всего за период: 118. ▲ — неделя, когда подключилось много новых источников.

Данные графика
Активных источников за неделю. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодАктивных источников
2026-06-018
2026-06-088
2026-06-154
2026-06-2212
2026-06-2915
2026-07-0620
2026-07-1324
2026-07-2017
2026-07-2719
2026-08-0314
2026-08-1010
2026-08-1710
2026-08-2413
2026-08-3112
2026-09-0713
2026-09-1413
2026-09-2122
2026-09-2820
2026-10-0524
2026-10-1227
2026-10-1933
2026-10-2624
2026-11-0234
2026-11-0929
Подключение новых источников: 6 июл. +14 · 13 июл. +10 · все недели (22) — в таблице
НеделяНовых источниковНовых вакансий
8 июн.+513
15 июн.+16
22 июн.+825
29 июн.+723
6 июл.+1447
13 июл.+1050
20 июл.+423
27 июл.+423
3 авг.+527
10 авг.+217
17 авг.+213
24 авг.+125
31 авг.+215
7 сент.+425
21 сент.+666
28 сент.+132
5 окт.+642
12 окт.+8157
19 окт.+671
26 окт.+461
2 нояб.+672
9 нояб.+452

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
Динамика: вакансии и источники — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяНовые вакансии за неделюАктивных источников
2026-06-01118
2026-06-08138
2026-06-1564
2026-06-222512
2026-06-292315
2026-07-064720
2026-07-135024
2026-07-202317
2026-07-272319
2026-08-032714
2026-08-101710
2026-08-171310
2026-08-242513
2026-08-311512
2026-09-072513
2026-09-143013
2026-09-216622
2026-09-283220
2026-10-054224
2026-10-1215727
2026-10-197133
2026-10-266124
2026-11-027234
2026-11-095229

Зарплаты во времени

Медиана зарплат в вакансиях Computer Vision по неделям, в долларах США в месяц.

Медиана зарплаты, $ в месяц

Данные графика
Медиана зарплаты, $ в месяц. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодМедианаСколько вакансий с зарплатой за неделю (n)
2026-10-2613 95810
2026-11-029 19215
2026-11-0911 93810

Ряд начинается с 26 окт.: раньше данных нет.

Сколько вакансий с зарплатой за неделю (n)

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
Зарплаты во времени — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяМедиана
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—
2026-10-2613 958
2026-11-029 192
2026-11-0911 938

Удалённая работа во времени

Какая доля вакансий Computer Vision предлагала полностью удалённую работу — по неделям.

Доля удалённых вакансий, %

Данные графика
Доля удалённых вакансий, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодУдалённо
2026-06-2231,2
2026-06-2923,1
2026-07-0647,4
2026-07-1321,4
2026-07-209,1
2026-07-2730,8
2026-08-0330,4
2026-08-1035,7
2026-08-1725
2026-08-2430
2026-08-31—
2026-09-0722,7
2026-09-1425
2026-09-2122
2026-09-2833,3
2026-10-0539,4
2026-10-1223,4
2026-10-1925,5
2026-10-2626,8
2026-11-0229,1
2026-11-0931,6

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
Удалённая работа во времени — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяУдалённо
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-2231,2
2026-06-2923,1
2026-07-0647,4
2026-07-1321,4
2026-07-209,1
2026-07-2730,8
2026-08-0330,4
2026-08-1035,7
2026-08-1725
2026-08-2430
2026-08-31—
2026-09-0722,7
2026-09-1425
2026-09-2122
2026-09-2833,3
2026-10-0539,4
2026-10-1223,4
2026-10-1925,5
2026-10-2626,8
2026-11-0229,1
2026-11-0931,6

Технологии во времени

Как менялась доля вакансий Computer Vision, где упоминается каждая из главных технологий.

Доля вакансий с технологией, %

Данные графика
Доля вакансий с технологией, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодPythonpytorchC++
2026-09-21563232
2026-09-2865,260,943,5
2026-10-055042,315,4
2026-10-1265,551,234,5
2026-10-1976,957,742,3
2026-10-2666,752,145,8
2026-11-0274,142,640,7
2026-11-0965,847,444,7

Ряд начинается с 21 сент.: раньше данных нет.

На графике до 5:

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
Технологии во времени — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяPythonpytorchC++opencvcloud
2026-08-10—————
2026-08-17—————
2026-08-24—————
2026-08-31—————
2026-09-07—————
2026-09-14—————
2026-09-215632322044
2026-09-2865,260,943,556,58,7
2026-10-055042,315,423,115,4
2026-10-1265,551,234,517,919
2026-10-1976,957,742,334,625
2026-10-2666,752,145,85027,1
2026-11-0274,142,640,727,814,8
2026-11-0965,847,444,731,626,3

Страны во времени

Как менялась доля вакансий Computer Vision в каждой из главных стран — по неделям.

Доля вакансий в стране, %

Данные графика
Доля вакансий в стране, %. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодСШАРоссияВеликобритания
2026-06-221640
2026-06-291555
2026-07-0655,65,62,8
2026-07-1339,117,42,2
2026-07-20202010
2026-07-27———
2026-08-0318,222,731,8
2026-08-10———
2026-08-17———
2026-08-2443,58,713
2026-08-31———
2026-09-0720,88,316,7
2026-09-1426,104,3
2026-09-2137,22,34,7
2026-09-2814,310,73,6
2026-10-0533,316,70
2026-10-1217,814
2026-10-1917,213,812,1
2026-10-2634,53,413,8
2026-11-0224,68,812,3
2026-11-0923,42,119,1

Ряд начинается с 22 июн.: раньше данных нет.

На графике до 5:

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
Страны во времени — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НеделяСШАРоссияВеликобританияГерманияУкраина
2026-06-01—————
2026-06-08—————
2026-06-15—————
2026-06-22164000
2026-06-29155550
2026-07-0655,65,62,82,88,3
2026-07-1339,117,42,22,28,7
2026-07-2020201000
2026-07-27—————
2026-08-0318,222,731,804,5
2026-08-10—————
2026-08-17—————
2026-08-2443,58,71300
2026-08-31—————
2026-09-0720,88,316,700
2026-09-1426,104,300
2026-09-2137,22,34,779,3
2026-09-2814,310,73,67,114,3
2026-10-0533,316,708,35,6
2026-10-1217,81410,92
2026-10-1917,213,812,15,25,2
2026-10-2634,53,413,810,312,1
2026-11-0224,68,812,370
2026-11-0923,42,119,112,80

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
Индекс найма, 16 окт. = 100. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПериодИндекс найма
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

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
Чистый рынок: индекс найма — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ДеньИндекс найма
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Сколько открытых вакансий Computer Vision и сколько подходящих специалистов видит Zorky.

Спрос и наблюдаемый пул

Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
Открытый спрос303
Открытый спрос303
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

P25 $7 500 · P50 $10 927 · P75 $15 208
Данные графика
Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательЗначение
<$1k0
$1–2k0
$2–3k2
$3–4k1
$4–5k2
$5–6k1
$6–7k2
$7–8k2
$8–9k2
$9–10k2
$10–12k5
$12–15k6
$15–20k10
$20k+1
Зарплата в вакансиях: база 303
  • 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
Распределение зарплат — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
ПоказательНижняя границаВерхняя границаКоличество
<$1k01 0000
$1–2k1 0002 0000
$2–3k2 0003 0002
$3–4k3 0004 0001
$4–5k4 0005 0002
$5–6k5 0006 0001
$6–7k6 0007 0002
$7–8k7 0008 0002
$8–9k8 0009 0002
$9–10k9 00010 0002
$10–12k10 00012 0005
$12–15k12 00015 0006
$15–20k15 00020 00010
$20k+20 000—1

В каких странах больше всего открытых вакансий Computer Vision.

География спроса

странавакансийдоля
Соединенные Штаты8933,8%
Германия238,7%
Великобритания186,8%
Польша124,6%
Украина124,6%
Россия103,8%
Сингапур93,4%
Канада72,7%
Казахстан72,7%
Индия72,7%
Остальные страны6926,2%

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
География спроса — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
СтранаВакансии
US89
DE23
GB18
PL12
UA12
RU10
SG9
CA7
KZ7
IN7

Какие технологии чаще всего требуют в одной вакансии с Computer Vision.

С чем используется вместе

python
16454,1%
pytorch
11638,3%
c++
9932,7%
opencv
8026,4%
cloud
5116,8%
tensorflow
5116,8%
docker
4314,2%
mlops
289,2%
numpy
227,3%
transformers
206,6%

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
С чем используется вместе — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
НазваниеКоличество
python164
pytorch116
c++99
opencv80
cloud51
tensorflow51
docker43
mlops28
numpy22
transformers20
fine-tuning18
aws16

Сколько вакансий Computer Vision на каждом уровне — от junior до principal.

Спрос по уровням

уровеньвакансий
senior87
junior26
middle25
principal16
lead12

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
Спрос по уровням — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
УровеньКоличество
senior87
junior26
middle25
principal16
lead12

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.

крупнейший 2,5%2–3-й 4,2%4–10-й 8,8%остальные 84,6%
долязначение
крупнейший2.5%
топ-36.7%
топ-1015.4%
длинный хвост84.6%

⚠ 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
Откуда Zorky видит этот рынок — Computer Vision. Таблица данных блока. Пропуск не означает ноль; единицы и выборка указаны в описании показателя.
КлассНазваниеНазвание на английскомКоличествоДоля
atsATS и карьерные сайтыATS & career sites2040,6733
boardджоб-борды и агрегаторыjob boards & aggregators840,2772
telegramTelegramTelegram110,0363
communityсообщества и публичные профилиcommunity & public profiles40,0132

Самые новые вакансии Computer Vision с сайтов компаний.

Свежие вакансии

Все вакансии →

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.

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.

AI / LLM EngineerData ScientistML EngineerMLOps EngineerNLP EngineerResearch Engineer / Scientist

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.

Отправляя заявку, вы соглашаетесь с политикой обработки данных.