Requisitos claramente definidos para o desenvolvimento de projetos de visão computacional incluem:
* Análise e preparação de conjuntos de dados de visão computacional.
* Desenvolvimento, treinamento, validação e otimização de modelos de aprendizado profundo para classificação, detecção e segmentação de imagens.
* Treinamento e implantação de modelos YOLO centralizados para tarefas de detecção de objetos.
* Diretrizes claras para a implementação de pipelines de inferência para execução eficiente em produção.
* Implementação práticas de MLOps: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-treino automático.
* Trabalho colaborativo com engenheiros de software para integrar os modelos em sistemas e aplicações.
Responsabilidades do cargo
Conhecimento de Python nas bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV) é fundamental. Além disso, experiência prática com YOLO centralizado (treinamento e inferência em problemas de detecção de objetos), experiência sólida em visão computacional (classificação, detecção, segmentação) e conhecimento em boas práticas de engenharia de software são requisitos essenciais.
Habilidades adicionais
Diferenciais importantes incluem:
* Experiência em dados estruturados: preparação de dataset, treinamento e inferência em problemas de regressão e classificação tabular.
* Análise exploratória de dados estruturados (PCA, correlações, clustering com k-means).
* Otimização de modelos para dispositivos de bordo (TensorRT, ONNX, quantização).
* Contribuições para projetos open source ou publicações técnicas.
Métricas e gráficos que devem ser interpretados
* Visão computacional (foco principal): curvas precision-recall (PR) e AP por classe; curva ROC e AUC; matriz de confusão; curvas de perda e acurácia durante o treinamento; distribuição de IoU (IoU).
* Aprendizado de máquina (treino vs. validação).
* Dados estruturados (diferencial): gráficos de resíduos em regressão; curvas de calibração de probabilidade; feature importance, SHAP e PDP/ICE plots; heatmaps de correlação e PCA (scree plot, biplot).
* MLOps/produção: gráficos de detecção de drift de dados; distribuição de probabilidades de saída (sobrecógnito).
* Métricas de latência/trocada; consumo de GPU/CPU/memória em inferência.