视觉感知(2D方向)算法工程师

优缺点分析

角色解读

• 技术纵深：成为2D视觉算法专家，深入优化模型在物流场景的精度和效率
• 横向扩展：向3D视觉、多模态感知或机器人技术方向发展
• 管理路线：带领小型算法团队，负责整体视觉方案设计
• 研发2D视觉感知算法，如目标检测、跟踪、语义分割，并集成到顺丰的物流系统中
• 设计模型训练策略，优化准确率和鲁棒性，适应真实场景数据
• 搭建深度学习数据集和标注平台，以及将模型部署到嵌入式设备上
• 扎实的计算机视觉理论基础，熟悉YOLO、DeepLab等经典模型及SAM等视觉大模型
• 精通Python和C++，熟练使用PyTorch或TensorFlow，有模型训练和调参经验
• 了解模型嵌入式部署流程，具备工程化思维

申请策略

• 面试前了解顺丰物流场景（如包裹分拣、无人车等），思考算法如何适配
• 准备一个端到端的视觉项目案例，涵盖数据、训练、部署全流程
• 突出目标检测、语义分割等2D视觉项目的完整经历，说明模型精度和部署效果
• 强调Python/PyTorch/C++的技能栈，最好附上GitHub或项目链接
• 如有模型压缩或嵌入式部署经验，务必单独列出
• 补充视觉大模型（如SAM、CLIP）的实践，尝试在公开数据集上进行微调
• 学习ONNX、TensorRT等模型优化工具，提升部署知识

面试指南

• STAR法则：描述情境、任务、行动、结果，突出技术难点和量化成果
• 先分析问题本质，再列举可能的解决方案，最后说明自己选择的方案及理由
• 请详细介绍你做过的一个2D视觉项目，包括模型选择、训练技巧和部署细节
• YOLOv5和YOLOv8的主要区别是什么？在实际部署中如何权衡精度和速度？
• 如何处理目标检测中的小物体和遮挡问题？
• 如果模型在嵌入式设备上推理速度不达标，你会从哪些方面优化？
• 对SAM模型了解多少？它适合物流场景吗？
• 复习经典论文（YOLO系列、DeepLab、Transformer-based检测器），掌握核心思想