Ще пару десятиріч тому ми поволі гортали енциклопедії в пошуках потрібного слова. Теперь – дізнаємось значення за секунду з допомогою пошукових сайтів. Освіта змінюється та стандартної школи вже недостатньо.
Головний ресурс – знання, та вміння ними користуватися. Але у світі багато інформації, приходить час, коли ти не розумієш, куди подітися. Тобі потрібен хтось, хто проведе по всіх етапах – від абетки до диплому.
Катерина Стецюра, education-консультантка Beetroot Academy розповідає, навіщо в наш час вчитися офлайн, які предмети можна вивчити вдома та як обрати курси, які тобі підходять.
Коли говоримо: “навчання онлайн”, часто уявляємо відеокурси. Можна дивитись вебінар в реальному часі, або запис відео. Це може бути і пряма трансляція лекції, і скайп-дзвінок.
Універсальних плюсів та мінусів навчання онлайн не існує. Але є можливість обрати критерії оцінки та зрозуміти, який із них важливий.
Критерії оцінки курсів:
Виходячи з цих пунктів можна оцінювати як онлайн, так і офлайн, так і змішане навчання. В онлайн форматі не завжди можливо отримувати зворотній зв’язок та спілкуватися із викладачем. Проте, ти особисто обираєш час та місце уроку. Якщо це дзвінок у скайпі, ти підлаштуєш час, але залишишся вдома у піжамі. А масові онлайн-курси можна проходити коли захочеш і в запису.
Якщо ти вчиш англійську по скайпу, то основна навичка – розмовна. Ти можеш відпрацювати її максимально. А от програмування новачку освоїти набагато складніше.

Катерина Стецюра
У нас в Beetroot Academy змішане навчання. Відеоуроки студент дивиться вдома, а на заняттях проходить практика з викладачем. Для наших студентів важлива можливість ставити питання та отримувати підтримку експерта. Окрім того – мотивація. Вдома багато відволікаючих факторів, людина хоче потрапити в атмосферу, яка її дисциплінує.
Будь-хто, хто хоче отримати освіту, має бути цілеспрямований. Незалежно від того, вчиться він удома або ні. Але самостійне навчання схоже на те, наче ти їдеш на велосипеді. Дістанешся цілі, але ж коли?
Коли ти приходиш в аудиторію – до студентів, до викладача, який дає зворотній зв’язок, то швидше набуваєш навичок. Помилки, яких ти припускаєшся в класі, виправляються. Ти наче міняєш велосипед на ракету.
Звісно, експерт може оцінити твою роботу і у листуванні, і по скайпу. Але офлайн – звичніше, зрозуміліше та приємніше. Я працювала в компанії LABA, яка спеціалізується на онлайн-навчанні. Студенти були задоволені тими курсами, де лектори небайдужі, де вони дають якісний фідбек та приділяють достатньо уваги.
Англійську, коли ти практикуєш розмовні навички, можна вивчати по скайпу. Але, щоби побудувати електростанцію, потрібно навчатися очно. Якщо коротко – ти не навчишся плавати по відео-інструкціям. Все, що пов’язано із фізичним світом, простіше практикувати офлайн.
До нас в академію часто приходять не з початковим рівнем. Людина вже щось вивчила, а потім – просто не розуміє, де шукати технології, куди податися. Приходить момент, коли складно впоратися самостійно. Тоді вона приходить на курси та йде цей шлях разом із викладачем.
Більшість людей обирають щось, не порівнюючи. Ти навряд чи приймеш повністю раціональне рішення. Просто нереально зібрати всі школи та курси, побудувати порівняльну таблицю. Перша ж назва, яку побачиш, не дасть тобі від неї відкараскатися. Можна просто обрати курси, які тобі підходять. Цього достатньо.

Edge AI означає, що нейромережа працює прямо на пристрої поруч із камерою або датчиком, без відправки даних у хмару. Для комп'ютерного зору найпоширеніші платформи тут Raspberry Pi з прискорювачем AI HAT+ і NVIDIA Jetson. Щоб модель запрацювала на них швидко, її експортують у формат під конкретне залізо, найчастіше через ONNX, і стискають квантизацією.
Нижче про те, як обрати плату, як виглядає шлях моделі від ноутбука до пристрою і де найчастіше губиться продуктивність.
Чотири причини, через які інференс переносять з хмари на edge:
Платиш за це жорсткими обмеженнями. Пам'яті мало, енергії мало, плата гріється, а модель, яка на серверній GPU видавала десятки кадрів на секунду, на пристрої може сповільнитися в рази.
Джерела: Tom's Hardware про AI HAT+, огляд AI HAT+ 2 і Jetson, Tom's Hardware про Jetson Orin Nano Super. Девкіт Jetson Orin Nano Super на старті продажів коштував $249, версія AI HAT+ на 26 TOPS коштувала $110.
Не порівнюй плати лише за TOPS. Цифри рахують за різної точності (INT8 чи INT4) і не враховують пам'ять, підтримку операцій моделі й те, наскільки легко її сконвертувати. Плата з меншими TOPS, але зі зрілим інструментарієм для твоєї моделі, на практиці може виявитися швидшою.
Практичне правило: Raspberry Pi з HAT підходить, коли модель стандартна (YOLO, класифікатор) і потрібна одна камера. Jetson варто брати, коли модель нестандартна, потоків кілька або команда вже працює з CUDA. У вакансіях CV Engineer українських defence-компаній за 2026 рік саме Jetson згадується найчастіше.
Під час навчання ваги моделі зберігаються як 32-бітні числа з плаваючою комою. Квантизація переводить їх у 16-бітний формат або 8-бітні цілі числа. Модель стає в кілька разів меншою, а прискорювачі, які спеціально оптимізовані під INT8, обробляють її значно швидше.
Платиш за це точністю. Для FP16 вона зазвичай майже непомітна. Для INT8 залежить від моделі й даних, тому при конвертації використовують калібрування: показують моделі кілька сотень репрезентативних зображень, щоб підібрати діапазони значень. Калібрувати треба на кадрах з цільової камери: випадкові фото з інтернету дадуть хибні діапазони.
Модель часто швидша за пайплайн навколо неї. Типові вузькі місця:
Edge AI стоїть на перетині двох світів. ML-спеціаліст знає, як натренувати модель, але часто не відчуває обмежень пам'яті, енергії та реального часу. Embedded-інженер ці обмеження знає, але не працював з нейромережами. Людей, які розуміють обидві сторони, на ринку мало, і вакансії CV Engineer це відображають: оптимізація під Jetson, ONNX і TensorRT, розуміння latency та FPS стоять у вимогах поруч із PyTorch.
Якщо ти з embedded, детальніше про перехід ми написали в статті як embedded- або backend-розробнику перейти в computer vision.
У освітній програмі Computer Vision окреме заняття присвячене Edge AI: бенчмарк моделі, експорт в ONNX, інференс через onnxruntime і квантизація FP32 → FP16 → INT8 з оглядом Jetson, Raspberry Pi та NPU. Базу роботи з мікроконтролерами й реальним часом дає Embedded Development.

У I кварталі 2026 року оборонні компанії опублікували на DOU 3005 вакансій, і 496 з них стосувалися hardware. Це на 175 більше, ніж кварталом раніше, а попит на embedded за той самий час зріс ще на 44 позиції (аналітика DOU). У Frontline Robotics, яка за 2025 рік відкрила 300 вакансій, кажуть, що саме hardware- та embedded-ролі зараз закривати найважче.
Далі про те, хто такий embedded developer, чому цих людей бракує, скільки їм платять і як у цю роль приходять інженери з інших напрямів.
Embedded developer пише програмне забезпечення, яке працює всередині пристрою: на мікроконтролері польотного контролера, у модулі зв'язку, в блоці керування двигуном. Його код напряму керує залізом, вкладається в кілобайти пам'яті й реагує на події за мілісекунди. Результат такої роботи можна взяти в руки.
На практиці embedded-інженер читає datasheet на мікросхему, запускає плату після виробництва, пише драйвери периферії, налагоджує обмін по шинах і шукає причину збою з осцилографом. Частина дня минає за ноутбуком. Решта за столом із платою, щупами й паяльником, і саме ця частина відрізняє роль від звичної розробки.
Причин кілька, і вони накладаються одна на одну.
Ринок вузький від початку. Head of Talent Acquisition Frontline Robotics Аліна Богульська в коментарі DOU називає головну причину прямо: «це дуже вузький ринок». Людей із таким досвідом в Україні загалом небагато, а запит на них росте щокварталу.
Компанії масштабуються швидше, ніж з'являються інженери. Frontline Robotics планує у 2026 році знайти ще 100–200 спеціалістів. Infozahyst говорив про до 150 нових вакансій в R&D. У Vyriy серед найпотрібніших теж називають hardware-інженерів і embedded-розробників.
Поріг входу вищий, ніж у вебі. Потрібні одночасно C/C++, уміння читати схеми й розуміння того, як поводиться фізичний пристрій. Помилку в прошивці не завжди виправиш патчем: якщо партія плат уже зібрана, вона коштує часу, грошей і компонентів.
Досвід з вебу переноситься частково. Backend-розробник із сильним C++ швидко звикає до мови, але вперше стикається з перериваннями, таймінгами й пам'яттю, якої завжди мало. Тому Senior у вебі зазвичай приходить в embedded на нижчий грейд і росте вже там.
Набір технологій у вакансіях повторюється з невеликими варіаціями:
В оборонних і dual-use продуктах до цього додаються вимоги до надійності. Watchdog, обробка відмов, поведінка при просіданні живлення: те, що в навчальному проєкті можна пропустити, у реальному пристрої перевіряють першим.
За опитуванням DOU, медіанна зарплата розробника в DefTech становить $2850. Це на $480 менше, ніж в ІТ загалом. У Senior-розробників медіана $3800, що на $700 нижче за ІТ.
Для початківців картина краща: у DefTech джуни найчастіше працюють саме embedded- і backend-розробниками, і DOU окремо називає сферу сприятливою для Junior Embedded. Верхня межа теж є. Під час ярмарку «Арсенал талантів» у Vyriy говорили, що розробники плат можуть отримувати до $12 000.
Тобто на старті зарплата в оборонці зазвичай нижча за ІТ. Перевага в конкуренції: на deftech-вакансію в середньому відгукується 9 кандидатів, а на front-end позицію в ІТ їх буває 86.
Спільне для всіх п'яти груп одне: є половина потрібних навичок, і другу половину складно добрати уривками з YouTube.
Arduino підходить, щоб зрозуміти, чи цікаво тобі працювати із залізом. Для вакансії цього мало: роботодавці чекають досвіду з реальними мікроконтролерами та RTOS.
Освітня програма Embedded Development у Beetroot Academy триває 5 місяців із заняттями тричі на тиждень і розрахована на спеціалістів із технічною базою. Для ветеранів із технічним досвідом Frontline Robotics покриває одне місце на програмі щомісяця. Інші програми напряму зібрані на сторінці Defence & Dual-use.

Щоб навчити YOLO на своїх даних, потрібні чотири речі: кілька сотень розмічених зображень, файл конфігурації датасету, готова модель як стартова точка і кілька рядків коду на Python. Ultralytics зводить саме тренування до однієї команди. Решта роботи, і вона важливіша, полягає в даних і в аналізі помилок.
Нижче повний цикл на прикладі детектора дефектів на деталях: від розмітки до експорту моделі в ONNX.
YOLO (You Only Look Once) є сімейством детекторів, які за один прохід по зображенню знаходять усі об'єкти й видають рамку, клас і впевненість для кожного. Модель швидка, має готові ваги для старту і бібліотеку, де тренування, валідація й експорт викликаються однаково.
Актуальна версія від Ultralytics називається YOLO26 і офіційно випущена 14 січня 2026 року. За даними Ultralytics, модель видає фінальні передбачення без окремого кроку NMS, у неї прибрали DFL для простішого експорту, а версія nano працює на CPU до 43% швидше за YOLO11. Підтримуються класифікація, детекція, сегментація, оцінка пози, повернуті рамки й трекінг.
Про ліцензію. Ultralytics поширює модель під AGPL-3.0 для навчання й open-source проєктів. Для використання в комерційному продукті потрібна Enterprise-ліцензія. Перевір це до того, як закладати YOLO в архітектуру продукту.
Для першої ітерації вистачить 300–500 зображень на клас, якщо об'єкти помітні й умови зйомки схожі на реальні. Важливіше за кількість різноманіття: різне освітлення, ракурси, фон, частково перекриті об'єкти.
Розмічати зручно в Roboflow або CVAT. Обидва вміють експортувати у формат YOLO, де кожному зображенню відповідає текстовий файл із рядком на кожен об'єкт:
0 0.512 0.430 0.120 0.085Перше число означає клас, далі йдуть координати центру рамки, її ширина й висота. Усі значення нормалізовані від 0 до 1 відносно розміру зображення.
Структура папок:
datasets/defects/
images/train/ images/val/
labels/train/ labels/val/path: datasets/defects
train: images/train
val: images/val
names:
0: scratch
1: chipВалідаційна вибірка має бути незалежною від тренувальної. Якщо ти нарізав кадри з одного відео, не клади сусідні кадри в різні вибірки: вони майже ідентичні, і метрики вийдуть завищеними. Діли за відео або за днями зйомки.
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # стартові ваги, версія nano
model.train(data="data.yaml", epochs=100, imgsz=640)
metrics = model.val()
Те саме з термінала:
pip install ultralytics
yolo detect train data=data.yaml model=yolo26n.pt epochs=100 imgsz=640
Тренувати можна в Google Colab на безкоштовному GPU. Невеликий датасет на кілька сотень зображень навчається за десятки хвилин.
Який розмір моделі обрати. YOLO26 має версії nano, small, medium, large та extra large. Починай з nano або small: вони швидко тренуються і показують, чи є в даних сигнал. Більша модель має сенс, коли ти вже вичерпав можливості даних, а пристрій, на якому працюватиме детектор, витримає навантаження.
Одна цифра нічого не каже без контексту задачі. Детектору дефектів на лінії важливіший recall: пропущений брак коштує дорожче, ніж зайва перевірка. Системі сповіщень у застосунку важливіша precision, бо хибні тривоги користувач швидко вимкне.
Після тренування Ultralytics зберігає графіки й confusion matrix у папці runs. Подивись, які класи модель плутає, і відкрий самі зображення з помилками. Цифри покажуть, що щось не так, а картинки покажуть, що саме.
Найчастіші причини слабких результатів:
Ітерація виглядає так: знайти помилки, зрозуміти причину, змінити дані, перетренувати, порівняти метрики. Дві-три таких ітерації зазвичай дають більше, ніж перехід на більшу модель.
model.export(format="onnx")
ONNX є універсальним форматом, який запускається через onnxruntime на CPU, а також конвертується в TensorRT для Jetson чи в інші формати для прискорювачів. YOLO26 офіційно експортується в ONNX, TensorRT, CoreML та OpenVINO. Як запускати модель на пристрої й навіщо квантизація, ми розібрали в статті Edge AI на Raspberry Pi і Jetson.
У освітній програмі Computer Vision fine-tuning YOLO26 на власному датасеті займає центральну частину курсу: розмітка в Roboflow, тренування, аналіз помилок, друга ітерація й експорт в ONNX. Базові поняття комп'ютерного зору зібрані в окремому гайді.

Павло Терехов служить у війську механіком дронів. До мобілізації він розробляв високонавантажені системи, трохи волонтерив і почав розбиратися в дронах, коли це ще не було масовою темою. Тепер він випускник освітньої програми Embedded Development у Beetroot Academy.
На програму Павло прийшов уже з досвідом у дронах, але хотів зрозуміти, як працюють розумні пристрої й додаткові плати, які на дрони встановлюють. Вчитись було важко, каже він, але вчителі завжди йшли назустріч.
У війську Павло працює за профілем, з дронами, тож досвід у нього був. Бракувало іншого: треба було розбиратися не лише в самих дронах, а й в «аксесуарах», тобто додаткових платах і модулях, і розуміти, як «подружити» різні пристрої між собою.
Головною метою Павло називає саме це: розібратись на просунутішому рівні, як працюють розумні пристрої та додаткові плати на дронах.
Павлу сподобався підхід програми, і найбільше практичні речі: час, кількість занять і матеріали.
Навчання далося нелегко, і Павло цього не приховує. Підтримку він теж памʼятає: «Вчитись було важко, але вчителі завжди йшли назустріч і допомагали».

Домашні завдання програми він переробляв під «дронове» застосування.
Після програми Павло краще розуміє, як працює пристрій. Через це інакше проходять розмови з постачальниками: він говорить предметніше й пояснює, що саме потрібно від обладнання.
У планах зробити корисні пристрої для роботи.


У вільний час Павло збирає власні пристрої. Один із них називається AlertInUA: автономний настільний індикатор повітряних тривог України. Він працює цілодобово, сам підлаштовує яскравість, а код проєкту відкритий. Основа: плата LilyGO T-Display на ESP32, прошивка на FreeRTOS.

На екрані карта областей з поточними тривогами. Налаштовується пристрій через власну точку доступу Wi-Fi. На макетній платі поруч з дисплеєм є світлодіоди та зумер.
Паралельно він працює над ще одним проєктом: зробив Telegram-бота підтримки, додав його на лендінг і в застосунок, виправив дрібні баги й прибрав тестові дані.