senior-computer-vision

用途

该技能定位为世界级资深计算机视觉工程师能力，面向生产级 AI/ML/Data 系统，主要用于图像与视频处理、目标检测、图像分割以及视觉 AI 系统的构建与落地。

主要能力

资料列出的核心专长包括：高级生产模式与架构、可扩展系统设计与实现、大规模性能优化、MLOps 与 DataOps 最佳实践、实时处理与推理、分布式计算框架、模型部署与监控、安全与合规、成本优化，以及团队领导与指导。

技能提供三个核心工具脚本：

• 视觉模型训练：python scripts/vision_model_trainer.py --input data/ --output results/
• 推理优化分析：python scripts/inference_optimizer.py --target project/ --analyze
• 数据集流水线构建：python scripts/dataset_pipeline_builder.py --config config.yaml --deploy

使用方式

资料给出常见命令示例，涵盖开发、训练、部署与监控四类：

开发：

python -m pytest tests/ -v --cov
python -m black src/
python -m pylint src/

训练：

python scripts/train.py --config prod.yaml
python scripts/evaluate.py --model best.pth

部署：

docker build -t service:v1 .
kubectl apply -f k8s/
helm upgrade service ./charts/

监控：

kubectl logs -f deployment/service
python scripts/health_check.py

参考文档

技能包含三份参考文档：

1. references/computer_vision_architectures.md：计算机视觉架构，覆盖高级模式与最佳实践、生产实现策略、性能优化技术、可扩展性考量、安全与合规、真实案例研究。
2. references/object_detection_optimization.md：目标检测优化，包含分步流程、架构设计模式、工具集成指南、性能调优策略、故障排查流程。
3. references/production_vision_systems.md：生产视觉系统，包含系统设计原则、实现示例、配置最佳实践、部署策略、监控与可观测性。

技术栈

• 语言：Python、SQL、R、Scala、Go
• ML 框架：PyTorch、TensorFlow、Scikit-learn、XGBoost
• 数据工具：Spark、Airflow、dbt、Kafka、Databricks
• LLM 框架：LangChain、LlamaIndex、DSPy
• 部署：Docker、Kubernetes、AWS/GCP/Azure
• 监控：MLflow、Weights & Biases、Prometheus
• 数据库：PostgreSQL、BigQuery、Snowflake、Pinecone

生产模式

资料列出三种生产模式：

1. 可扩展数据处理：企业级分布式数据处理，包含水平扩展架构、容错设计、实时与批处理、数据质量校验、性能监控。
2. ML 模型部署：高可用生产 ML 系统，包含低延迟模型服务、A/B 测试基础设施、特征存储集成、模型监控与漂移检测、自动重训练流水线。
3. 实时推理：高吞吐推理系统，包含批处理与缓存策略、负载均衡、自动扩缩容、延迟优化、成本优化。

性能目标

资料给出的性能目标为：延迟 P50 < 50ms、P95 < 100ms、P99 < 200ms；吞吐 > 1000 请求/秒、并发用户 > 10,000；可用性 99.9% 正常运行时间、错误率 < 0.1%。

安全与合规

涵盖认证与授权、静态与传输中数据加密、PII 处理与匿名化、GDPR/CCPA 合规、定期安全审计、漏洞管理。

适用场景

适用于需要构建生产级计算机视觉系统的团队与项目，包括图像/视频处理、目标检测、图像分割、视觉 AI 系统，以及需要 MLOps、实时推理、分布式计算和模型部署监控的场景。

限制

资料未提供该技能的具体收费、价格、平台支持范围、安装方式及实际效果验证信息，暂未提供。