武汉 python 招聘（工资待遇要求）

岗位职责
1.视频流处理与边缘端优化
•基于RK3588平台，采用C++/GStreamer/OpenCV实现多路实时视频流的采集、解码（H.264/H.265）、抽帧（动态策略）及预处理（去噪、增强），确保低延迟（≤100ms）和高稳定性。
•优化视频流传输与存储机制（本地+云端同步），设计合理的抽帧策略以协调带宽消耗与计算资源（如关键帧优先、自适应帧率调整）。

2.NPU模型部署与推理加速
•将PyTorch/ONNX模型在RK3588NPU上完成量化（INT8/FP16）、编译（RKNN工具链）及性能调优，确保关键任务推理耗时不超过30ms/帧。
•开发C++推理引擎，集成目标检测（YOLOv8）、图像分割（MaskR-CNN）等模型，支持多任务并行处理（如检测与分类同步执行）。

3.视频图像算法开发与训练
•主导视频图像核心算法研发，涵盖目标检测、多目标跟踪、行为识别、异常检测等方向，针对边缘设备特点优化精度与效率平衡（如提升小目标检出率、增强运动模糊鲁棒性）。
•设计视频时序建模方法（融合光流、使用3D卷积），解决帧间关联问题；制定数据标注标准（边界框、分割掩码、行为标签），构建高质量训练集（覆盖复杂场景中的噪声、遮挡等情况）。
•完成模型完整训练流程（基于PyTorch/TensorFlow）：数据加载、参数调优（学习率调度、损失函数设计）、效果验证（mAP、FPS、误报率）、模型导出（ONNX/PT）及格式转换，支持迁移学习与少量样本微调。

4.多模态模型开发与大语言模型微调
•负责大语言模型（LLaMA、ChatGLM、BERT）的微调与性能优化，应用于视频-文本对齐任务（如视频摘要生成、目标描述生成、视觉问答）。
•设计多模态特征融合方案（如CLIP、FLAVA架构），开发跨模态推理模块；探索轻量级LLM在RK3588边缘设备上的部署路径（量化、知识蒸馏），实现推理延迟≤500ms。

5.系统对接与功能扩展
•对接Flask+Vue管理后台，实现远程策略配置（模型更新、抽帧频率设置、启停指令下发）、设备状态监控（视频流健康度、资源占用情况）以及与中心算法平台的双向通信（MQTT/RESTful协议）。
•支持多模态结果推送（分析结果+文本描述输出），并适配国产操作系统（麒麟OS/OpenHarmony）。

任职要求
1.核心技术能力
•编程与系统基础：熟练掌握C++/Python，熟悉Linux下多线程编程、交叉编译环境、V4L2采集接口及H.264/H.265硬件编解码；具备RK3588平台全流程开发经验（NPU/CPU/GPU异构协同、低延迟传输优化）。
•视频图像算法能力：深入理解CNN、Transformer、3D卷积、光流法等核心技术；能熟练使用PyTorch/TensorFlow进行模型训练、调优与部署（含量化、剪枝、蒸馏）；掌握YOLO系列目标检测、U-Net图像分割等模型的改进与性能提升方法。
•多模态与大模型技术：熟悉LLM结构（Transformer、LLaMA）及其微调技术（LoRA、QLoRA）；掌握多模态对齐方法（如CLIP），有视频-文本联合训练或微调经验；了解边缘侧LLM部署框架（TensorRT-LLM、ONNXRuntime）。

2.项目经验
•具备3年以上视频图像算法研发经历，需提供完整项目案例（例如：“工业缺陷检测系统：mAP由82%提升至95%，边缘端推理速度从15FPS提升到25FPS”）；
•拥有复杂场景下的算法适配经验（如低光照、遮挡、视角变化大）或小样本学习、增量学习的实际应用案例；
•具备边缘-云协同开发经验（如本地初筛+云端精算）或参与过开源项目者优先考虑。

3.优先条件
•熟悉视频编码与智能算法协同优化策略（如H.265压缩结合关键帧解码优化）；
•具备Flask/Vue前后端开发能力或国产化系统（麒麟OS）移植经验；
•了解*级或工业级开发规范（如加密存储、可靠性测试流程）。
【工作内容】岗位职责
1.视频流处理与边缘端优化
•基于RK3588平台，采用C++/GStreamer/OpenCV实现多路实时视频流的采集、解码（H.264/H.265）、抽帧（动态策略）及预处理（去噪、增强），确保低延迟（≤100ms）和高稳定性。
•优化视频流传输与存储机制（本地+云端同步），设计合理的抽帧策略以协调带宽消耗与计算资源（如关键帧优先、自适应帧率调整）。

2.NPU模型部署与推理加速
•将PyTorch/ONNX模型在RK3588NPU上完成量化（INT8/FP16）、编译（RKNN工具链）及性能调优，确保关键任务推理耗时不超过30ms/帧。
•开发C++推理引擎，集成目标检测（YOLOv8）、图像分割（MaskR-CNN）等模型，支持多任务并行处理（如检测与分类同步执行）。

3.视频图像算法开发与训练
•主导视频图像核心算法研发，涵盖目标检测、多目标跟踪、行为识别、异常检测等方向，针对边缘设备特点优化精度与效率平衡（如提升小目标检出率、增强运动模糊鲁棒性）。
•设计视频时序建模方法（融合光流、使用3D卷积），解决帧间关联问题；制定数据标注标准（边界框、分割掩码、行为标签），构建高质量训练集（覆盖复杂场景中的噪声、遮挡等情况）。
•完成模型完整训练流程（基于PyTorch/TensorFlow）：数据加载、参数调优（学习率调度、损失函数设计）、效果验证（mAP、FPS、误报率）、模型导出（ONNX/PT）及格式转换，支持迁移学习与少量样本微调。

4.多模态模型开发与大语言模型微调
•负责大语言模型（LLaMA、ChatGLM、BERT）的微调与性能优化，应用于视频-文本对齐任务（如视频摘要生成、目标描述生成、视觉问答）。
•设计多模态特征融合方案（如CLIP、FLAVA架构），开发跨模态推理模块；探索轻量级LLM在RK3588边缘设备上的部署路径（量化、知识蒸馏），实现推理延迟≤500ms。

5.系统对接与功能扩展
•对接Flask+Vue管理后台，实现远程策略配置（模型更新、抽帧频率设置、启停指令下发）、设备状态监控（视频流健康度、资源占用情况）以及与中心算法平台的双向通信（MQTT/RESTful协议）。
•支持多模态结果推送（分析结果+文本描述输出），并适配国产操作系统（麒麟OS/OpenHarmony）。
【基本条件】任职要求
1.核心技术能力
•编程与系统基础：熟练掌握C++/Python，熟悉Linux下多线程编程、交叉编译环境、V4L2采集接口及H.264/H.265硬件编解码；具备RK3588平台全流程开发经验（NPU/CPU/GPU异构协同、低延迟传输优化）。
•视频图像算法能力：深入理解CNN、Transformer、3D卷积、光流法等核心技术；能熟练使用PyTorch/TensorFlow进行模型训练、调优与部署（含量化、剪枝、蒸馏）；掌握YOLO系列目标检测、U-Net图像分割等模型的改进与性能提升方法。
•多模态与大模型技术：熟悉LLM结构（Transformer、LLaMA）及其微调技术（LoRA、QLoRA）；掌握多模态对齐方法（如CLIP），有视频-文本联合训练或微调经验；了解边缘侧LLM部署框架（TensorRT-LLM、ONNXRuntime）。

2.项目经验
•具备3年以上视频图像算法研发经历，需提供完整项目案例（例如：“工业缺陷检测系统：mAP由82%提升至95%，边缘端推理速度从15FPS提升到25FPS”）；
•拥有复杂场景下的算法适配经验（如低光照、遮挡、视角变化大）或小样本学习、增量学习的实际应用案例；
•具备边缘-云协同开发经验（如本地初筛+云端精算）或参与过开源项目者优先考虑。

3.优先条件
•熟悉视频编码与智能算法协同优化策略（如H.265压缩结合关键帧解码优化）；
•具备Flask/Vue前后端开发能力或国产化系统（麒麟OS）移植经验；
•了解*级或工业级开发规范（如加密存储、可靠性测试流程）。