Engenheiro(a) de Deep Learning Sênior (Detecção de Objetos em Vídeo no Mercado

confidential; United States; Remote; USD 150.000 - 210.000; Vollzeit

Benefits dieser Stelle

Ambiente colaborativo

Trabalho remoto total

Conexão global

Saúde física

Saúde mental

Zusammenfassung

A Sylision está contratando um Engenheiro(a) de Deep Learning Sênior para detecção de objetos em vídeo. A vaga é 100% remota, com contratação CLT ou PJ, para cliente com sede em São Paulo, oferecendo um ambiente global e flexível.

O foco é criar pipelines robustos, com ênfase em privacidade (desfoque) e desempenho em GPU. Você definirá a lista de classes, treinará modelos em PyTorch, exportará para ONNX e quantizará para ganho de vazão.

Qualifikationen

• Experiência em detecção de objetos do início ao fim.
• Conhecimento de métricas IoU, precisão e recall.
• Otimização de inferência com ONNX/quantização/lote dinâmico.

Aufgaben

• Definir conjunto de classes e guia de rotulagem.
• Treinar e comparar detectores em PyTorch.
• Montar pipeline de vídeo (amostragem, tracking, consolidação).
• Garantir alta revocação em rosto e placas para desfocagem.
• Exportar para ONNX e quantizar.
• Criar testes congelados por tipo de imóvel e iluminação.
• Orientar a equipe em rotulagem ativa e revisão de erros caros.

Kenntnisse

Liderança técnica

Mentoria

Tools

Python

PyTorch

TensorFlow

CUDA

ONNX

Docker

Detecção de objetos

Visão computacional

Git

Jobbeschreibung

Vaga aberta de Engenheiro(a) de Deep Learning Sênior (Detecção de Objetos em Vídeo no Mercado. A empresa contratante é confidencial neste anúncio, e a seleção é conduzida pela Sylision.

Nível: senior.

Modelo de trabalho: 100% Remoto.

Contratação: tempo integral, CLT ou PJ.

Sobre a vaga:

O vídeo de apresentação do imóvel virou peça central do anúncio, e boa parte do trabalho manual de curadoria deveria sair de lá. Seu problema é detectar, quadro a quadro, o que aparece: ambientes, piscina, churrasqueira, móveis planejados, estado de acabamento, e também o que não pode ir ao ar, como rosto de morador, placa de carro e documento sobre a mesa. Vídeos de drone em obra e em condomínio entram na mesma fila.

As dificuldades são concretas. Iluminação ruim em ambiente interno, espelho que duplica objetos, câmera em movimento e imóvel vazio contra imóvel decorado mudam muito a aparência. Um falso negativo na desfocagem de rosto é um problema de privacidade, então esse erro pesa mais que qualquer outro e tem limite próprio.

Você vai definir o que é acerto: média de precisão por classe, revocação mínima para as classes sensíveis e tempo de processamento por minuto de vídeo. Como a fila cresce nos dias de lançamento, a inferência precisa ser eficiente em GPU e previsível em custo.

O que você vai fazer:

• Desenhar o conjunto de classes e o guia de rotulagem com quem faz a curadoria dos anúncios
• Treinar e comparar detectores em PyTorch, escolhendo pelo custo de inferência e não só pela precisão
• Montar o pipeline de vídeo: amostragem de quadros, rastreamento entre quadros e consolidação por cena
• Garantir revocação alta na detecção de rosto e de placa para desfocagem automática
• Exportar para ONNX, quantizar e medir ganho de vazão em GPU
• Criar conjunto de teste congelado por tipo de imóvel e por condição de luz
• Orientar a equipe sobre rotulagem ativa e revisão dos erros mais caros

Requisitos:

• Treino de redes de detecção de objetos do início ao fim, com aumento de dados e ajuste de limiar
• PyTorch com domínio de dataloaders e laços de treino próprios
• Leitura de métricas de detecção: IoU, precisão média, curva de precisão e revocação
• Otimização de inferência: ONNX, quantização, lote dinâmico
• Processamento de vídeo e rastreamento de objetos
• Capacidade de decidir desenho e padrão de qualidade e de orientar outras pessoas
• Cuidado com dados pessoais em imagem, à luz da LGPD

Diferenciais:

• CUDA ou perfilamento de GPU para achar gargalo
• Aprendizado semi supervisionado ou rotulagem ativa
• Vídeo de drone ou de câmera em movimento
• Segmentação de instância para medir área de ambiente
• Experiência com TensorRT ou runtime equivalente

Como é trabalhar aqui:

Vaga 100% remota, com contratação CLT, para cliente da Sylision com sede em São Paulo, SP. Quem decide arquitetura registra a decisão por escrito, com o dado que a sustenta, e outra pessoa revisa antes de virar padrão. Resultados de modelo são acompanhados por classe, e queda de revocação em classe sensível vira incidente com análise posterior. Na candidatura, informe a sua pretensão salarial.

Benefícios oferecidos pela empresa contratante:

• Ambiente colaborativo, com senso de comunidade e conquistas celebradas em equipe
• Trabalhe de qualquer lugar, com liberdade e flexibilidade
• Conexão global: convivência com times de diferentes países e culturas
• Apoio à saúde física com TotalPass e Mediquo
• Cuidado com a saúde mental pelo programa Team Care
• Contratação e jornada definidas com a empresa contratante

Tecnologias envolvidas:

• Python
• PyTorch
• TensorFlow
• CUDA
• ONNX
• Docker
• Detecção de objetos
• Visão computacional
• Git

Seus dados: tratados conforme a LGPD, com remoção a qualquer momento, a pedido.