Kepler Aviation bünyesinde görüntü işleme ve bilgisayarlı görü çözümlerinin geliştirilmesi, optimize edilmesi ve gerçek sistemlere entegrasyonunda görev alacak bir mühendis arıyoruz.
Bu pozisyonda; kamera verisinin alınmasından görüntü ön işlemeye, model eğitimi ve değerlendirmesinden gerçek zamanlı çıkarım ve saha testlerine kadar geliştirme sürecinin farklı aşamalarında sorumluluk üstlenmeni bekliyoruz.
Görev ve sorumluluklar
- Elektro-optik ve/veya termal kamera görüntüleri üzerinde nesne tespiti, sınıflandırma ve çoklu nesne takibi algoritmaları geliştirmek.
- Görüntü ölçekleme, filtreleme, gürültü giderme, kontrast iyileştirme ve geometrik dönüşüm gibi ön işleme adımlarını tasarlamak.
- Veri toplama, etiketleme, veri temizliği ve veri artırma süreçlerini yürütmek; eğitim, doğrulama ve test kümelerini veri sızıntısını önleyecek şekilde oluşturmak.
- Proje gereksinimlerine uygun model mimarilerini seçmek, transfer learning ve fine-tuning süreçlerini yürütmek.
- Modelleri precision, recall, F1 ve mAP gibi metriklerle değerlendirmek; yanlış pozitif ve yanlış negatif sonuçları senaryo bazında analiz etmek.
- Çoklu nesne takibi çözümlerini örtüşme, kısa süreli görüntü kaybı, kamera hareketi ve ölçek değişimi gibi koşullarda değerlendirmek.
- Gerçek zamanlı görüntü işleme hatları geliştirmek; görüntü alma, ön işleme, çıkarım ve son işleme aşamalarındaki darboğazları belirlemek.
- Modelleri hedef donanıma taşımak; gecikme, işlem hızı, bellek tüketimi ve doğruluk arasındaki dengeyi ölçerek optimizasyon yapmak.
- Kamera ve ilgili sistemlerle yazılım entegrasyonunu gerçekleştirmek; kayıtlı görüntüler ve canlı kamera akışları üzerinde testler yürütmek.
- Deneyleri, veri seti ve model sürümlerini, test sonuçlarını ve entegrasyon arayüzlerini dokümante etmek.
Aranan teknik yetkinlikler
Programlama ve geliştirme ortamı
- Python ile görüntü işleme ve makine öğrenmesi uygulamaları geliştirmiş olmak.
- C++ kodlarını okuyabilecek ve mevcut uygulamalara katkı sağlayabilecek düzeyde bilgi sahibi olmak.
- Linux ortamında geliştirme, hata ayıklama ve Git ile sürüm kontrolü deneyimi.
- Modüler, test edilebilir ve bakımı yapılabilir kod geliştirme alışkanlığı.
Görüntü işleme ve bilgisayarlı görü
- OpenCV ve NumPy ile uygulamalı çalışma deneyimi.
- Renk uzayları, filtreleme, morfolojik işlemler, kenar ve özellik çıkarımı, homografi ve perspektif dönüşümleri hakkında bilgi.
- Kamera kalibrasyonu, lens distorsiyonu, koordinat sistemleri ve temel görüntü geometrisine hâkimiyet.
- Nesne tespiti, görüntü sınıflandırma, segmentasyon veya nesne takibi alanlarından en az birinde tamamlanmış proje deneyimi.
Derin öğrenme ve model değerlendirme
- PyTorch veya TensorFlow ile model eğitimi ve çıkarım süreçlerinde deneyim.
- CNN tabanlı mimariler ve güncel nesne tespiti yaklaşımları hakkında bilgi.
- Overfitting, sınıf dengesizliği, veri artırma, hiperparametre seçimi ve hata analizi konularına hâkimiyet.
- Model başarısını yalnızca tek bir doğruluk değeriyle değil, kullanım senaryosu ve çalışma koşulları üzerinden değerlendirebilmek.
Bu başlıkların tamamına hâkim olmanı beklemiyoruz; proje deneyiminin hangi alanlarda yoğunlaştığını belirtmen yeterli.
- NVIDIA Jetson veya benzeri gömülü GPU platformlarında uygulama geliştirme.
- ONNX model dönüşümü, TensorRT ile çıkarım optimizasyonu ve FP16/INT8 uygulamaları.
- CUDA, GPU profilleme ve CPU–GPU veri aktarım maliyetleri konusunda deneyim.
- GStreamer, FFmpeg, RTSP ve video kodlama/çözme süreçleriyle çalışma.
- Kalman filtresi, veri ilişkilendirme ve ByteTrack veya benzeri çoklu nesne takibi yöntemleri.
- Hareketli kameradan alınan görüntülerde stabilizasyon ve hareket telafisi.
- Küçük nesne tespiti, düşük ışık, hareket bulanıklığı ve termal görüntüler üzerinde çalışma.
- ROS/ROS 2, kamera–IMU senkronizasyonu veya sensör füzyonu.
- Görsel odometri, SLAM, stereo görüş veya derinlik kestirimi.
- İHA, robotik veya otonom sistemlerde saha testi ve sistem entegrasyonu.
Çalışma yaklaşımı
- Bir problemi ölçülebilir teknik gereksinimlere dönüştürebilmek.
- Deney sonuçlarını tekrarlanabilir şekilde kaydetmek ve teknik kararlarını verilerle açıklayabilmek.
- Başarısız örnekleri inceleyerek veri, model ve sistem kaynaklı sorunları ayırt edebilmek.
- Yazılım, elektronik ve sistem ekipleriyle birlikte çalışabilmek.
- Teknik dokümantasyonu ve bilimsel yayınları takip edebilecek düzeyde İngilizce bilgisi.