1. 深度學習與視覺算法 模型應用： 熟練掌握主流目標檢測（如 YOLO 系列、SSD）和語義/實例分割（如 DeepLabV3+、Mask R-CNN）算法的使用與調優(yōu)。
幾何計算： 具備扎實的數(shù)學功底，能夠根據(jù)分割掩碼（Mask）或檢測框（Bbox）設計幾何測量算法（涉及像素坐標系轉物理坐標系、單目測距、長度/尺寸擬合等）。
框架工具： 熟練使用 PyTorch 或 TensorFlow 進行模型訓練與推理測試。
2. 模型部署與遷移地平線平臺： 熟悉地平線（Horizon）天工開物工具鏈，有模型定點量化、編譯及 .bin 模型轉換經(jīng)驗的優(yōu)先。
推理加速：了解模型量化（INT8/FP16）原理，能夠解決量化過程中的精度掉點或算子不支持問題。
邊緣計算：熟悉 BPU (Brain Processing Unit) 的特性，具備在嵌入式端進行資源調度和多線程推理優(yōu)化的能力。
3. Linux 工程能力開發(fā)環(huán)境： 精通 C++ (STL/多線程) 或
Python，能在 Linux 環(huán)境下進行高效開發(fā)。
系統(tǒng)編程： 熟悉 Linux 系統(tǒng)管理，掌握 Shell/Python 腳本編寫，能夠獨立完成自動化部署。
服務常駐： 熟練配置 Systemd 或編寫守護進程腳本，實現(xiàn)程序的開機自啟動、進程監(jiān)控及異常拉起。
4. 現(xiàn)場交付與調試圖像處理：熟練使用
OpenCV 進行圖像預處理（降噪、增強）及后處理。
故障排查：具備較強的現(xiàn)場排查能力，能夠分析解決復雜光照、硬件抖動、網(wǎng)絡延遲等對算法效果的影響