I
无
无 · 10年经验
日薪：
￥900/8h
地点：
北京 海淀
时间：
可工作日驻场（自由职业原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
具备扎实的 C/C++ 和 Python 编程能力，能够熟练运用两种语言进行算法开发、数据处理和系统优化。在 C/C++ 方面，掌握数据结构与算法，熟悉多线程编程，并具备嵌入式开发经验。在 Python 方面，熟悉数据分析、可视化和爬虫技术，能够高效编写自动化脚本和工具
此外，我拥有 机器学习 和 深度学习 方面的知识，熟悉 Scikit-learn、TensorFlow、PyTorch 等框架，具备数据预处理、模型训练、优化及部署经验，能够应用深度学习技术解决计算机视觉、SLAM 及其他相关问题。
此外，我拥有 机器学习 和 深度学习 方面的知识，熟悉 Scikit-learn、TensorFlow、PyTorch 等框架，具备数据预处理、模型训练、优化及部署经验，能够应用深度学习技术解决计算机视觉、SLAM 及其他相关问题。
项目经验
开发一个基于深度学习的目标检测系统，能够在复杂环境中准确识别和定位目标。
核心工作
数据预处理
采集并清洗数据，包括图像去噪、增强（旋转、翻转、亮度调整等）。
使用 LabelImg 进行数据标注，转换为 COCO/YOLO 格式。
模型训练与优化
选择 YOLOv5/YOLOv8、Faster R-CNN 等目标检测模型，并进行训练。
采用 迁移学习，在预训练模型的基础上微调，提高小样本场景下的检测效果。
使用 混合精度训练（FP16） 提高计算效率，降低显存占用。
模型优化与部署
采用 ONNX 导出模型，并使用 TensorRT 进行推理加速。
在 Jetson Xavier / NVIDIA GPU 服务器 上进行模型优化，实现低延迟推理。
结合 Flask / FastAPI 搭建轻量级 RESTful API，支持远程调用。
性能评估与迭代
通过 mAP（mean Average Precision）、FPS 等指标评估模型性能，并针对误检、漏检进行优化。
采用 Pruning（剪枝）+ Quantization（量化） 进一步压缩模型，提高嵌入式设备上的运行效率。
核心工作
数据预处理
采集并清洗数据，包括图像去噪、增强（旋转、翻转、亮度调整等）。
使用 LabelImg 进行数据标注，转换为 COCO/YOLO 格式。
模型训练与优化
选择 YOLOv5/YOLOv8、Faster R-CNN 等目标检测模型，并进行训练。
采用 迁移学习，在预训练模型的基础上微调，提高小样本场景下的检测效果。
使用 混合精度训练（FP16） 提高计算效率，降低显存占用。
模型优化与部署
采用 ONNX 导出模型，并使用 TensorRT 进行推理加速。
在 Jetson Xavier / NVIDIA GPU 服务器 上进行模型优化，实现低延迟推理。
结合 Flask / FastAPI 搭建轻量级 RESTful API，支持远程调用。
性能评估与迭代
通过 mAP（mean Average Precision）、FPS 等指标评估模型性能，并针对误检、漏检进行优化。
采用 Pruning（剪枝）+ Quantization（量化） 进一步压缩模型，提高嵌入式设备上的运行效率。
I
无 · 10年经验 · 无
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
具备扎实的 C/C++ 和 Python 编程能力，能够熟练运用两种语言进行算法开发、数据处理和系统优化。在 C/C++ 方面，掌握数据结构与算法，熟悉多线程编程，并具备嵌入式开发经验。在 Python 方面，熟悉数据分析、可视化和爬虫技术，能够高效编写自动化脚本和工具
此外，我拥有 机器学习 和 深度学习 方面的知识，熟悉 Scikit-learn、TensorFlow、PyTorch 等框架，具备数据预处理、模型训练、优化及部署经验，能够应用深度学习技术解决计算机视觉、SLAM 及其他相关问题。
此外，我拥有 机器学习 和 深度学习 方面的知识，熟悉 Scikit-learn、TensorFlow、PyTorch 等框架，具备数据预处理、模型训练、优化及部署经验，能够应用深度学习技术解决计算机视觉、SLAM 及其他相关问题。
项目经验
开发一个基于深度学习的目标检测系统，能够在复杂环境中准确识别和定位目标。
核心工作
数据预处理
采集并清洗数据，包括图像去噪、增强（旋转、翻转、亮度调整等）。
使用 LabelImg 进行数据标注，转换为 COCO/YOLO 格式。
模型训练与优化
选择 YOLOv5/YOLOv8、Faster R-CNN 等目标检测模型，并进行训练。
采用 迁移学习，在预训练模型的基础上微调，提高小样本场景下的检测效果。
使用 混合精度训练（FP16） 提高计算效率，降低显存占用。
模型优化与部署
采用 ONNX 导出模型，并使用 TensorRT 进行推理加速。
在 Jetson Xavier / NVIDIA GPU 服务器 上进行模型优化，实现低延迟推理。
结合 Flask / FastAPI 搭建轻量级 RESTful API，支持远程调用。
性能评估与迭代
通过 mAP（mean Average Precision）、FPS 等指标评估模型性能，并针对误检、漏检进行优化。
采用 Pruning（剪枝）+ Quantization（量化） 进一步压缩模型，提高嵌入式设备上的运行效率。
核心工作
数据预处理
采集并清洗数据，包括图像去噪、增强（旋转、翻转、亮度调整等）。
使用 LabelImg 进行数据标注，转换为 COCO/YOLO 格式。
模型训练与优化
选择 YOLOv5/YOLOv8、Faster R-CNN 等目标检测模型，并进行训练。
采用 迁移学习，在预训练模型的基础上微调，提高小样本场景下的检测效果。
使用 混合精度训练（FP16） 提高计算效率，降低显存占用。
模型优化与部署
采用 ONNX 导出模型，并使用 TensorRT 进行推理加速。
在 Jetson Xavier / NVIDIA GPU 服务器 上进行模型优化，实现低延迟推理。
结合 Flask / FastAPI 搭建轻量级 RESTful API，支持远程调用。
性能评估与迭代
通过 mAP（mean Average Precision）、FPS 等指标评估模型性能，并针对误检、漏检进行优化。
采用 Pruning（剪枝）+ Quantization（量化） 进一步压缩模型，提高嵌入式设备上的运行效率。
立即沟通
