Desenvolvedor(a) Python Sênior – Interfaces de Captura e Dashboards de Detecção de Defeitos
Responsável por projetar e implementar aplicações desktop (PySide6/PyQt + OpenCV) para captura de imagens/vídeo e dashboards web em tempo real (Dash/Plotly) para controle de câmeras, fluxo de inferência (local/nuvem) e monitoramento de métricas.
Implantação em Ubuntu 24.04.
Resumo da Função
Responsável por projetar e implementar aplicações desktop (PySide6/PyQt + OpenCV) para captura de imagens/vídeo e dashboards web em tempo real (Dash/Plotly) para controle de câmeras, fluxo de inferência (local/nuvem) e monitoramento de métricas.
Implantação em Ubuntu 24.04.
Responsabilidades Principais
Construir aplicativos desktop em Qt para controle de câmeras (USB3/GigE): pré-visualização ao vivo, ajuste de exposição/ganho, modos de disparo, ROI, auto-save, perfis de configuração e logging.
Implementar pipelines em tempo real: captura ? pré-processamento ? inferência assíncrona (local/remota) ? sobreposição de resultados (caixas delimitadoras, heatmaps) ? armazenamento.
Desenvolver dashboards Dash/Plotly: KPIs ao vivo (FPS, throughput, taxa de defeitos), linhas do tempo, matrizes de confusão, status do sistema.
Integrar inferência de modelos de IA: REST/gRPC para servidor/nuvem, controle de lotes, timeouts, versionamento de endpoints.
Empacotar e implantar em Ubuntu: pacotes deb, systemd services, verificações de GPU/drivers.
Garantir observabilidade: logs estruturados, métricas, tracing, runbooks; simulação de câmeras para testes offline.
Conhecimentos Essenciais
Python 3.10+: tipagem, dataclasses, pydantic, asyncio, multiprocessing.
PySide6/PyQt: QThread, sinais/slots, timers, renderização de imagem (QImage/QPixmap), diálogos, formulários, temas.
OpenCV: captura de vídeo, conversões de cor, debayering, overlays, codecs, otimização de performance.
Padrões de câmeras industriais:
USB UVC & SDKs de fabricantes.
GigE Vision/GenICam/GenTL via Harvesters ou Aravis/GStreamer (aravissrc).
Configurações: MTU 9000 (jumbo frames), packet size/delay, triggers, formatos de pixel (Mono8, Bayer, RGB).
Dash/Plotly: apps multipágina, callbacks, atualizações em tempo real, cache, temas customizados.
FastAPI para APIs locais de controle/saúde e proxy de inferência.
Mensageria: ZeroMQ, Redis Streams, AMQP ou websockets para atualizações de baixa latência.
Linux/Ubuntu 24.04: regras udev, tunning de NIC, systemd, shell scripting, empacotamento.
Boas práticas de qualidade: pytest, mocks de câmeras, mypy, ruff, black, CI/CD.
Gestão de dados: nomes de arquivos com timestamp, formatos lossless (PNG/TIFF), rotação de logs.
Diferenciais
GStreamer avançado (appsink, caps negotiation) e conhecimento de FFmpeg.
Noções de CUDA/PyTorch, ONNX ou TensorRT.
Rust para módulos de alto desempenho.
Observabilidade com Grafana/Prometheus.
Experiência com edge devices (Jetson), containers (Docker), proxy reverso (Nginx).
Foco em UX pragmática: atalhos, acessibilidade, internacionalização (pt-BR/en).
Entregáveis nos Primeiros 2 Meses
App Qt de Captura (v1): pré-visualização estável, ajuste de parâmetros, modos de disparo, auto-save, status bar com FPS/formato, configs persistentes.
Bridge de Inferência: fila assíncrona para servidor remoto, timeout/retry, overlay de resultados, medição de latência.
Dashboard Dash: métricas de defeitos, throughput, tipos de defeitos, matrizes de confusão, linha do tempo, status do sistema.
Infra: empacotamento (deb/script), systemd service, configs .
env, rotação de logs, documentação.
Evidências de Portfólio Relevantes
Repositório com aplicativo PyQt/PySide exibindo captura de câmera (ou frames simulados).
Dashboard Dash com dados em tempo real e backend simples (FastAPI).
Código de integração com GenICam/GenTL ou GStreamer.
Pipelines de CI com testes automatizados.
#J-18808-Ljbffr