

Выберите навык, чтобы посмотреть, какие тесты специалист уже прошел.
Разработка и внедрение решений компьютерного зрения для промышленных задач.
Интеграция CV-решений в промышленную среду и сопровождение production-систем.
Работа с Git, Docker-контейнерами и управлением зависимостями Python-проектов.
Ключевые компетенции и задачи компьютерного зрения:
Detection + Tracking (detect + track):
- Разработка систем обнаружения и трекинга объектов в реальном времени (YOLO, Kalman Filter, ByteTrack/BOTSORT, ReID).
- Разработка решений для трекинга объектов на видео с использованием OpenCV, optical flow, template matching, frame stabilization и CNN-based detection.
- Оптимизация производительности под производственные нагрузки.
Сегментация (segment):
- Разработка алгоритмов сегментации для выделения рабочих зон, зон обработки, контуров продукции.
- Использование FastSAM, YOLO Segment и классических методов OpenCV.
Классификация (classify):
- Создание и обучение моделей компьютерного зрения (YOLO, MobileNet, ResNet) для распознавания и классификации объектов на изображениях и видео.
Определение ключевых точек (pose):
- Использование Pose Estimation (YOLO) для анализа положения ключевых точек объектов и улучшения точности обнаружения и трекинга.
Опыт и задачи:
- Подготовка и аннотация наборов данных под промышленные задачи, очистка данных, аугментации, разметка (Bounding Boxes, Masks, Keypoints), подготовка данных для обучения моделей.
- Разработка и оптимизация алгоритмов компьютерного зрения для работы в реальном времени.
- Интеграция CV-модулей в производственные процессы.
- Тестирование, отладка и повышение стабильности production-систем.
- Создание кастомных CV-обработчиков для промышленных решений.
- Управление зависимостями Python-проектов с использованием Poetry: настройка pyproject.toml, фиксация версий через poetry.lock, разделение production/dev-зависимостей и воспроизводимая установка окружения.
Примеры проектов:
Система контроля количества продукции:
- Разработка CV-решений для автоматического подсчёта и трекинга объектов с использованием OpenCV и deep learning-based object detection моделей.
- Реализация кастомных модулей обработки изображений и логики идентификации объектов.
- Оптимизация алгоритмов компьютерного зрения для стабильной работы в режиме реального времени в production-среде.
Автоматическое распознавание и классификация:
- Построение и обучение моделей компьютерного зрения для задач детекции и классификации промышленных объектов.
- Разработка pipeline обработки изображений для автоматизации анализа и повышения точности мониторинга.
Сегментация рабочих зон:
- Разработка и обучение моделей сегментации для выделения зон контроля и рабочих областей.
- Использование результатов сегментации для повышения точности детекции и трекинга в сложных сценах.
Система трекинга объектов на видео:
- Разработал приложение для трекинга объектов на видео с поддержкой детекции, сопровождения объекта, стабилизации кадра и восстановления трека после временной потери объекта.
- Реализовал pipeline на OpenCV для предобработки кадров, поиска движения, optical flow tracking, template matching и компенсации глобального движения камеры.
- Интегрировал CNN-based object detection для сценариев нейросетевой детекции и трекинга в сложных сценах.
- Настроил конфигурируемые presets для OpenCV и CNN pipelines под разные размеры объектов, параметры движения и условия съёмки.
Развёртывание моделей компьютерного зрения на edge-устройствах:
- Подготовка и запуск моделей компьютерного зрения на Orange Pi с использованием аппаратного ускорения NPU.
- Конвертация моделей в ONNX-формат и адаптация inference pipeline под embedded-устройства.
- Оптимизация производительности CV-моделей для работы в режиме реального времени на ограниченных вычислительных ресурсах.
- Тестирование стабильности работы моделей на edge-устройстве и интеграция результата в промышленный pipeline.
Внедрение:
- Полный цикл внедрения решений в производственную среду: тестирование, отладка и сопровождение.
- Настройка окружения проектов, управление зависимостями и подготовка к запуску в Docker/production-среде.
AI / LLM и AI-агенты:
- Использование LLM-инструментов (ChatGPT, Claude, DeepSeek) и AI-ассистента Codex в PyCharm для прототипирования алгоритмов, генерации, анализа, рефакторинга и отладки кода.
Основные технологии и инструменты:
Языки: Python 3.10
Библиотеки и фреймворки: NumPy, OpenCV, Pandas, PyTorch, YOLO, FastSAM
Инструменты: Git, PyCharm, Docker, Poetry, pip, venv
ОС: Windows, Linux
Разработка и внедрение скриптов для парсинга данных с различных веб-сайтов: досок объявлений, интернет-магазинов, каталогов и других ресурсов.
Использование Python 3.10 и современного стека библиотек для создания надёжных и производительных парсеров.
Технологии и библиотеки:
- requests — выполнение HTTP-запросов к веб-сайтам.
- aiohttp + asyncio — асинхронные запросы и выполнение задач для ускорения парсинга.
- BeautifulSoup — парсинг и обработка HTML-страниц.
- Selenium — автоматизация работы с динамическими веб-страницами.
- pandas — анализ и постобработка данных.
- re — использование регулярных выражений для извлечения информации.
Форматы хранения данных: CSV, JSON, Excel, Google Sheets.
Дополнительный функционал:
- Разработка систем регулярного обновления данных.
- Защита от блокировок: обход CAPTCHA, ограничение частоты запросов.
- Интеграция с внешними API для расширения функциональности.
- Автоматизация задач сбора и обработки данных.
Создание Telegram-ботов для парсинга чатов:
- Использование aiogram — для взаимодействия с пользователями.
- Использование telethon — для получения сообщений из заданных чатов и поиска по ключевым словам.
- Индивидуальное хранение чатов и ключевых слов для каждого пользователя.
- Онлайн-обновление конфигурации (без перезапуска бота).
- Отправка уведомлений при совпадении сообщений с ключевыми словами.
- Логирование с помощью loguru: ротация логов, автоматическое удаление устаревших файлов.
- Контроль доступа и управление пользователями через Telegram-группу.
Навыки:
Языки программирования: Python 3.10
Библиотеки и фреймворки: requests, BeautifulSoup, Selenium, asyncio, aiohttp, pandas, telethon, aiogram
Форматы данных: CSV, JSON, Excel, Google Sheets
Инструменты: Git, PyCharm
Примеры проектов:
🔗 https://github.com/maxexplorer/ParserProject