1、熟练 Python、PyTorch，熟悉视觉基础大模型，具备模型复现、LoRA 微调、训练调优实战经验；了解 Docker 工程化，具备模型量化、推理加速、分布式训练经验优先。2、掌握目标检测、图像分割等传统计算机视觉基础，了解 3D 点云基础处理知识，有工业缺陷检测项目实践优先。3、能够独立完成数据集处理脚本开发，会做 badcase 分析，具备实验设计、问题定位、技术文档撰写能力。4、具备良好跨团队协作能力，能够开展课题攻关，推动算法从仿真向工业真机落地转化。围绕公司轨交装备、工业机器人智能化升级业务，依托视觉大模型技术解决工业检测与机器人感知的实际业务痛点，实现大模型技术从算法原型到业务产品落地，开展技术攻关、算法迭代与成果转化。主要工作方向：1、负责视觉大模型的选型、适配与二次开发。基于SAM、多模态视觉基础大模型，结合列车状态在线监测、轨交缺陷识别、零部件外观异常检测等业务场景，开展 LoRA 等参数高效微调、提示调优工作，把通用基础模型改造适配为工业可用模型，完成算法原型验证与效果迭代。2、开展视觉大模型与传统机器视觉、3D 感知的融合算法研发。不单纯依赖大模型，结合点云、工业图像特性，弥补大模型在工业场景下精度不足、细节丢失的短板；针对工业场景，优化推理链路，解决显存占用高、推理速度慢，满足边缘设备部署的实际约束。3、负责工业视觉数据集建设与数据治理。对接项目现场业务数据，完成图像、红外、点云等业务数据的清洗、筛选、标注、增强扩增；沉淀业务数据集，形成可复用的数据处理流水线，缓解工业缺陷样本少、样本不均衡、标注成本高的现实问题。4、搭建视觉大模型的测试验证体系。面向轨交、机器人真实工况，设计精度、鲁棒性、时延等实测评估方案，完成不同模型版本对比、问题定位、badcase 分析，输出测试分析报告，驱动算法持续迭代优化。5、面向真实业务完成算法落地与工程适配。对接轨旁巡检机器人、轨旁360等项目，完成模型量化压缩、边缘端部署调试；和现场、硬件、工程团队协同，解决现场光照变化、污渍干扰、工况多变等现场实际问题，输出算法方案、技术文档、专利，支撑科研课题与项目交付。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录