🏹

无

无 · 1年经验

日薪：￥500/8h

地点：佛山全区

时间：下班后可工作日驻场（自由职业原因）

ID:391723 复制

信用行为

接单数

评价数

收藏数

技术能力

AI 技能提取 | TensorFlow PyTorch OpenCV 机器学习深度学习 Python Git Flask FastAPI Redis Docker

1. 编程语言与工具：熟练使用Python完成全流程开发，掌握Jupyter Notebook、PyCharm等开发环境，熟悉Git版本控制。

2. 图像识别技术：

◦ 传统方法：精通OpenCV库，掌握SIFT、ORB等特征提取算法，以及FLANN、BF匹配器。

◦ 深度学习：熟练运用PyTorch、TensorFlow框架，掌握ResNet、YOLO、U-Net等经典模型，擅长迁移学习、数据增强及模型压缩优化。

3. 数据挖掘与分析：

◦ 数据处理：熟练使用Pandas、Numpy进行数据清洗、特征工程，掌握PySpark处理大规模数据。

◦ 机器学习：精通Scikit-learn，熟悉LightGBM、XGBoost等模型，擅长分类、聚类、回归任务。

◦ 多模态融合：具备图像、文本、时序数据融合经验，掌握跨模态特征提取与模型构建。

4. 系统开发与部署：

◦ 服务搭建：使用FastAPI、Flask开发API接口，熟悉Docker容器化部署。

◦ 工程优化：掌握FAISS向量检索、Redis缓存，能利用MLflow进行实验管理与模型迭代。

5. 行业应用经验：

◦ 涵盖电商图像检索、工业缺陷检测、医学影像诊断、社交媒体分析等领域，熟悉对应业务场景与技术落地流程。

展开全部技术能力

项目经验

项目一：基于深度学习的图像分类与检索系统开发

项目背景：
为某电商平台构建商品图像分类与以图搜图系统，解决海量商品图片（超100万张）的精准分类和相似商品检索需求，提升用户搜索效率和推荐准确性。

技术栈：

• 框架/库：PyTorch、TensorFlow、OpenCV、Scikit-learn

• 模型：ResNet50/101（迁移学习）、Faster R-CNN（目标检测）、Triplet Loss度量学习

• 数据处理：数据增强（MixUp/CutOut）、Mosaic数据合成、特征金字塔构建

• 工程优化：FAISS向量检索引擎、Docker容器化部署、GPU集群训练（NVIDIA A100）

负责内容：

1. 数据 pipeline 搭建：

◦ 设计图像标注流程，构建包含50万张标注数据的训练集，覆盖200+商品类别；

◦ 开发数据清洗脚本，通过OCR文本校验、跨模态哈希去重，将无效数据比例从15%降至3%。

2. 算法开发与优化：

◦ 基于ResNet101实现图像分类基线模型，通过知识蒸馏将模型参数量压缩40%，推理速度提升2.5倍；

◦ 引入度量学习（Triplet Loss + 难样本挖掘）构建图像特征向量，结合FAISS实现亿级特征向量的毫秒级检索，Top-5准确率达92%。

3. 系统集成与部署：

◦ 设计“特征提取-向量存储-检索匹配”三层架构，使用FastAPI搭建API服务，支持日均10万次检索请求；

◦ 实现模型动态更新机制，通过MLflow跟踪实验参数，迭代30+版本后整体检索召回率提升18%。

项目成果：

• 商品分类准确率从基线模型的78%提升至91.2%，以图搜图平均响应时间<200ms；

• 助力平台搜索转化率提升12%，人工标注成本降低50%，相关技术方案被纳入公司AI中台标准组件。

项目二：工业缺陷检测智能系统（图像+时序数据融合挖掘）

项目背景：
为某制造业企业开发生产线缺陷检测系统，针对机械零部件表面缺陷（划痕、裂纹等）及设备运行异常，实现实时检测与故障预警，替代传统人工目检和阈值报警方案。

技术栈：

• 多模态数据：机器视觉（工业相机采集RGB图像）、振动传感器（时序数据）

• 模型：YOLOv5（缺陷定位）、LSTM-AutoEncoder（时序异常检测）、特征融合网络

• 工具：Pandas（时序数据清洗）、PySpark（分布式特征工程）、TensorBoard（可视化）

负责内容：

1. 跨模态数据融合：

◦ 设计图像特征（HOG/SIFT）与时序特征（FFT频谱、均方根值）的融合策略，通过concat和注意力机制提升互补性；

◦ 构建包含8000+缺陷样本的图像数据集和20万条时序样本的混合数据集，设计分层抽样策略平衡正负样本。

2. 实时检测算法开发：

◦ 基于YOLOv5s实现缺陷定位，通过模型剪枝和量化压缩，在边缘计算设备（Jetson Nano）上实现30FPS实时检测；

◦ 针对振动数据设计LSTM-AutoEncoder异常检测模型，通过重构误差阈值判断设备运行状态，误报率从25%降至8%。

3. 工业级系统落地：

◦ 开发边缘端数据采集模块（Python + ROS），实现图像流和传感器数据的同步采集与预处理；

◦ 部署Flask服务与企业ERP系统对接，实时推送缺陷报告和设备预警信息，支持历史数据回溯与趋势分析。

项目成果：

• 表面缺陷检测准确率达95.6%，设备异常预警提前量平均提升4小时；

• 生产线人工检测成本降低70%，设备非计划停机时间减少35%，年节省生产成本超200万元。

项目三：医学影像智能诊断辅助系统（肺部CT结节检测）

项目背景：
与某三甲医院合作开发肺部CT结节辅助诊断系统，基于公开医学影像数据集（如LIDC-IDRI），实现结节自动检测与良恶性分类，缓解放射科医生读片压力。

技术栈：

• 医学影像处理：Monai、SimpleITK（三维图像分割）、Numpy（体数据处理）

• 模型：3D U-Net（结节分割）、ResNet3D（分类）、注意力机制（CBAM/Self-Attention）

• 评估指标

展开全部项目经验