Навчати чи наймати: як український Defence Tech закриває дефіцит інженерів

Розробник з embedded чи backend уже має половину того, що потрібно CV-інженеру: впевнений код, Git, розуміння продуктивності й обмежень системи. Добрати доведеться роботу з даними, основи нейромереж і звичку оцінювати модель метриками замість відчуття «наче працює». У зимовому опитуванні DOU частка Computer Vision Engineer серед дата-фахівців за пів року зросла з 2% до 4% (DOU).

Розберемо, що з твого бекграунду переноситься, чого бракує і як виглядає реалістичний маршрут переходу.

Що вже є в embedded-розробника

Embedded-інженер мислить буферами, тактами й кілобайтами. Для комп'ютерного зору це сильна позиція, бо зображення в пам'яті і є буфером: висота × ширина × канали, тип даних uint8.

Що переноситься напряму:

• C/C++ і звичка рахувати, скільки пам'яті та часу займає кожна операція
• розуміння latency і реального часу: кадр має бути оброблений до приходу наступного
• робота з периферією та камерами на рівні інтерфейсів
• Linux на одноплатних комп'ютерах

Саме цього бракує багатьом ML-спеціалістам. У вакансіях CV Engineer у defence-компаніях окремим пунктом стоїть оптимізація моделей під Jetson та інші embedded-платформи, а C++ значиться бажаною навичкою поруч із Python.

Чого бракує: Python як робочого інструменту для експериментів, PyTorch, розуміння того, як модель вчиться і чому помиляється.

Що вже є в backend-розробника

Backend-розробник приносить інженерну дисципліну навколо коду: тести, Docker, CI, API, версіонування. У CV цього часто не вистачає: модель натренували в ноутбуці, а як вона житиме в продакшені, ніхто не продумав.

Що переноситься:

• Python, якщо ти пишеш на ньому, або будь-яка мова з досвідом від року
• Docker, Linux, Git
• проєктування сервісів, черги, обробка потоку запитів
• логування й моніторинг, які в CV перетворюються на моніторинг якості моделі

Чого бракує: відчуття заліза. Модель, яка видає 30 кадрів на секунду на серверній відеокарті, на пристрої може видати три. Бекендеру доводиться вчитися мислити обмеженнями пам'яті, енергії та нагріву.

Яка математика потрібна для computer vision

Менше, ніж здається. Щоб працювати з детекторами на практиці, вистачить:

• масиви й матриці: форма, індексація, множення
• згортка: що робить фільтр 3×3, проходячи по зображенню
• градієнтний спуск на рівні ідеї: модель потроху змінює ваги, щоб зменшити помилку
• базова статистика: середнє, розподіл, precision і recall

Лінійна алгебра й теорія ймовірностей на університетському рівні знадобляться, якщо підеш у дослідження або розробку нових архітектур. Для прикладних задач детекції, трекінгу й оптимізації більшість інженерів обходиться розумінням на рівні інтуїції і добирає глибину, коли конкретна задача цього вимагає.

Маршрут переходу: від пікселя до детектора на пристрої

1. Зображення як дані. NumPy, колірні простори, гістограми. Для embedded-розробника це день роботи, для бекендера тиждень.
2. Класичний CV в OpenCV. Фільтри, Canny, морфологія, контури. Розв'яжи одну задачу без нейромереж, наприклад підрахунок однакових деталей на фото.
3. Нейромережі й transfer learning. Візьми готову модель, донавчи на кількох сотнях власних фото, подивись на криві train і validation.
4. Детекція з YOLO. Спочатку готова модель, потім навчання на власних даних з розміткою і метриками.
5. Друга ітерація. Знайди, де модель помиляється, дозбери дані, перетренуй. Саме тут видно, хто розуміє модель, а хто запускав туторіал.
6. Запуск на пристрої. Експорт в ONNX, квантизація, вимір швидкості на Raspberry Pi або Jetson.

Для embedded-розробника крок 6 буде найпростішим, а кроки 3–5 найновішими. У бекендера навпаки.

Перший проєкт для портфоліо

Роботодавець хоче побачити, як ти розв'язуєш задачу від початку до кінця. Висока точність на чужому датасеті цього не показує. Добрий проєкт має чотири складники: власний датасет, дві ітерації тренування з поясненням, що змінилося, таблицю метрик і запуск на реальному пристрої чи хоча б замір швидкості на CPU.

Ідеї, які можна зробити за кілька тижнів:

Опиши проєкт у README так, як описав би технічне рішення колезі: задача, дані, що не спрацювало, що змінив, які цифри отримав.

Що просять у вакансіях Computer Vision Engineer

У вакансіях українських defence-компаній за 2026 рік повторюється приблизно однаковий набір:

• Python впевнено, C++ як перевага
• PyTorch і OpenCV
• детекція, трекінг, сегментація
• оптимізація під Jetson, ONNX, TensorRT
• розуміння latency, FPS і пам'яті
• Linux, Git, Docker

Наприклад, у вакансії Frontline Robotics, опублікованій у липні 2026 року, просили від трьох років досвіду в CV або ML. Це типово для ринку: вакансій для новачків у computer vision мало. Тому найреалістичніший шлях лежить через внутрішній перехід: ти лишаєшся розробником у своїй команді, береш CV-задачі, а за рік маєш комерційний досвід саме в цьому напрямі.

З чого почати

Освітня програма Computer Vision розрахована саме на розробників без ML-досвіду: від року програмування будь-якою мовою, 12 практичних занять, власний детектор і запуск на edge. Якщо ти з software і хочеш спершу розібратися із залізом, почни з Embedded Development.

Computer Vision Engineer створює системи для аналізу зображень і відео: від збору даних і тренування моделі до її роботи в продакшені чи на пристрої. Він поєднує машинне навчання з розробкою, тому в українських вакансіях від нього зазвичай чекають і PyTorch, і впевненого Python, і розуміння того, як модель поводиться на реальному залізі.

Нижче про задачі, стек, зарплати й шлях у професію, з опорою на вакансії 2026 року і дані DOU.

Що робить CV-інженер

Тренування моделі займає меншу частину роботи, ніж здається. Типовий цикл виглядає так:

1. Розібратися в задачі. Що саме треба знаходити, з якою точністю, на якій камері, з якою швидкістю.
2. Зібрати й розмітити дані. Узгодити правила розмітки, перевірити якість, поділити вибірки.
3. Обрати й навчити модель. Найчастіше це fine-tuning готового детектора; власну архітектуру з нуля пишуть рідко.
4. Проаналізувати помилки. Подивитися, де модель помиляється, і зрозуміти чому.
5. Оптимізувати й розгорнути. Експорт, квантизація, інтеграція у відеопайплайн чи сервіс.
6. Супроводжувати. Стежити, як модель працює на нових даних, дозбирувати приклади й перетреновувати.

Останній пункт часто недооцінюють. Модель, яка добре працювала в день запуску, через кілька місяців може гірше впоратися, бо змінилися освітлення, камера чи самі об'єкти. Це називають data drift, і відстежувати його входить в обов'язки CV-інженера.

Стек Computer Vision Engineer: що просять у вакансіях

Ми переглянули вакансії CV Engineer українських компаній за 2026 рік, зокрема Frontline Robotics і «Атлон Авіа». Повторюється такий набір:

У вимогах Frontline Robotics, наприклад, окремо згадано розуміння real-time обмежень: latency, FPS, пам'ять і продуктивність. Це характерно для продуктових компаній, де модель працює на пристрої. В аутсорсі чи хмарних продуктах акцент зміщується на MLOps, API і масштабування.

Скільки заробляє Computer Vision Engineer в Україні

Окремої медіани для CV-інженерів у публічних дослідженнях немає. Найближчі дані дає зимове опитування дата-фахівців DOU 2026:

Важливі застереження. Вибірка невелика: 332 фахівці на всі дата-ролі. Медіана не розбита за рівнями, тому в неї потрапляють і джуни, і сеньйори. І тренд за пів року був на зниження.

В оборонній галузі картина інша. За зарплатним звітом DOU літа 2026, розробники з Python у DefTech мають найвищу медіану серед мов: $4500 проти $3500 у розробників в ІТ загалом. CV-інженери в defence-компаніях зазвичай пишуть саме на Python, тож орієнтуватися варто на ці цифри, з поправкою на рівень.

Де працюють CV-інженери

• Продуктові компанії зі споживчими застосунками: фільтри, редактори фото, розумні камери
• Промисловість і логістика: контроль якості, підрахунок, сортування, складські роботи
• Агротех: моніторинг посівів, сортування врожаю
• Медтех: аналіз медичних знімків як допомога лікарю
• Defence і dual-use: робототехніка, автономні системи, аналіз аерофото
• Аутсорс і R&D-центри: проєкти для іноземних клієнтів у будь-якій із цих сфер

У зимовому опитуванні DOU частка CV-інженерів серед дата-фахівців за пів року подвоїлася, з 2% до 4%. Абсолютно це невелика група, але вона росте.

Junior, Middle, Senior: як виглядає зростання

Вакансій CV Engineer для людей без досвіду мало. У переглянутих вакансіях defence-компаній ішлося про три роки досвіду в CV або ML. Тому найчастіше в професію приходять з суміжних ролей.

Початковий рівень зазвичай виглядає як розробник у команді, який бере CV-задачі: підготовку даних, інтеграцію готової моделі, оптимізацію пайплайна.

Middle самостійно веде задачу від даних до розгортання й вміє пояснити, чому модель помиляється.

Senior обирає підхід і архітектуру під обмеження продукту, оцінює ризики й відповідає за якість моделі після запуску.

Як стати Computer Vision Engineer

Найкоротший шлях веде з розробки. Embedded-інженер приносить розуміння заліза й реального часу, backend-розробник приносить продакшен-дисципліну. Обом бракує роботи з даними й нейромережами. Покроковий маршрут ми описали в статті як embedded- або backend-розробнику перейти в computer vision.

Мінімум, з яким можна претендувати на CV-задачі:

• Python, NumPy, OpenCV
• PyTorch на рівні fine-tuning готових моделей
• один детектор, навчений на власних даних, з двома ітераціями
• метрики mAP, precision, recall і вміння пояснити їх щодо задачі
• досвід запуску моделі на пристрої або хоча б експорту в ONNX із виміром швидкості

З чого почати

Освітня програма Computer Vision у Beetroot Academy веде розробників без ML-досвіду від обробки зображень до власного детектора, його супроводу після деплою і запуску на edge: 12 практичних занять. Загальний огляд напряму є в гайді Комп'ютерний зір: що це і як працює.

Комп'ютерний зір (computer vision, CV) є галуззю штучного інтелекту, яка вчить програми знаходити й розпізнавати об'єкти на зображеннях і відео. Камера дає лише масив чисел. Завдання CV полягає в тому, щоб перетворити ці числа на відповідь: що на кадрі, де саме і що з ним відбувається.

Нижче про те, як це працює, які задачі розв'язує комп'ютерний зір, де його вже використовують і як увійти в напрям, якщо ти пишеш код або працюєш із залізом.

Як комп'ютер «бачить» зображення

Для програми фото є таблицею чисел. Кольорове зображення 640×480 пікселів зберігається як масив 480×640×3: висота, ширина і три канали кольору. Кожне значення від 0 до 255 описує яскравість червоного, зеленого або синього в одній точці.

З цим масивом можна працювати двома способами.

Класичні алгоритми. Інженер сам описує правила: розмий шум, знайди краї, виділи контури, порахуй об'єкти. Цим займається бібліотека OpenCV. Такий підхід швидкий, передбачуваний і добре працює там, де умови стабільні: однакове освітлення, однаковий фон, однакові деталі на конвеєрі.

Нейромережі. Правила не пишуть вручну. Модель показують тисячі розмічених прикладів, і вона сама підбирає фільтри, які відрізняють один клас від іншого. Згорткова мережа (CNN) по суті робить те саме, що й класичний фільтр, тільки її ядра налаштовуються на даних. Сучасні детектори на кшталт YOLO та RT-DETR будуються на цьому принципі.

На практиці ці підходи поєднують. Нейромережа знаходить об'єкт, а класичний алгоритм уточнює його межі чи рахує розміри.

Які задачі розв'язує комп'ютерний зір

Найчастіше в продуктах трапляються детекція і трекінг. Саме з них зазвичай починають навчання, бо результат видно одразу: рамка або з'являється на правильному місці, або ні.

Де використовують computer vision

Споживчі продукти. Фільтри, які накладають маски на обличчя, розумні камери, що відрізняють людину від кота, сканери документів у банківських застосунках. Частина таких продуктів створена в Україні: у програмі Computer Vision Beetroot Academy окремо розбирають кейси Looksery (згодом Snapchat), Reface, Ajax Systems і Petcube.

Промисловість. Контроль якості на лінії, де камера шукає подряпини й відколи швидше за людину. Підрахунок продукції, перевірка маркування, моніторинг безпеки на виробництві.

Агро. Виявлення хвороб рослин за фото листя, оцінка стану посівів з аерознімків, сортування врожаю.

Медицина. Допомога лікарю в аналізі рентгенівських і МРТ-знімків. Остаточне рішення тут ухвалює людина, а модель підсвічує ділянки, на які варто подивитися.

Робототехніка й dual-use. Автономні роботи, складські системи, аналіз аерофото і тепловізійних даних. Для інженера це ті самі алгоритми, тільки дані інші: кадр знято згори, об'єкти дрібні, а тепловізор дає одноканальне зображення замість кольорового.

Комп'ютерний зір, машинне навчання і AI: у чому різниця

Штучний інтелект є найширшим поняттям. Машинне навчання є його частиною: програми, які вчаться на даних замість прописаних правил. Комп'ютерний зір є прикладною областю, де машинне навчання застосовують до зображень і відео.

Звідси практичний висновок для кар'єри. CV Engineer зазвичай знає ML-основи, але глибоко працює з одним типом даних і з обмеженнями заліза, на якому модель має працювати. Детальніше про роль ми написали в статті Computer Vision Engineer: хто це і що робить.

Інструменти: OpenCV, PyTorch, YOLO, ONNX

Базовий набір, з яким працюють у більшості команд:

• Python як основна мова для експериментів і тренування
• OpenCV і NumPy для класичної обробки зображень
• PyTorch для нейромереж
• YOLO від Ultralytics для детекції, сегментації та трекінгу
• Roboflow або CVAT для розмітки даних
• ONNX, TensorRT, OpenVINO для запуску моделей на конкретному залізі
• C++ там, де важлива швидкість на пристрої

Для старту достатньо Python і Google Colab: GPU для тренування Google надає безкоштовно, тож власна відеокарта на першому етапі не потрібна.

Що потрібно, щоб почати вивчати комп'ютерний зір

Найкоротший шлях має той, хто вже програмує. Досвіду з machine learning для старту не треба. Вища математика теж не є обов'язковою умовою: щоб працювати з детекторами, вистачить розуміння масивів і матриць, а складніші речі засвоюються на практиці.

Типова послідовність виглядає так:

1. Зображення як масив: канали, типи даних, колірні простори
2. Класичні операції в OpenCV: фільтри, краї, контури
3. Основи нейромереж і transfer learning
4. Детекція з YOLO на готових моделях, потім на власних даних
5. Метрики, аналіз помилок, друга ітерація тренування
6. Експорт моделі та запуск на пристрої

Один із цих кроків ми розібрали у окремій статті, як embedded- або backend-розробнику перейти в computer vision.

Після навчання ми попросили його назвати, що змінилось у роботі. Ось що він розповів.

Кодифікація: від норм до алгоритмів

Кодифікація – одна з тих тем, з якими фахівець із закупівель стикається постійно. До навчання Костянтин розумів її лише в межах нормативного регулювання: які документи потрібні, які вимоги треба виконати.

Тепер він розуміє алгоритми, за якими кодифікацію отримують. Це змінило кут зору. Раніше він дивився на процес як замовник, тепер бачить його ще й зі сторони постачальника, який проходить цей шлях зі своїм виробом.

Процеси: як вироби працюють разом

У закупівлях легко звикнути до окремих процесів: одна позиція, одна специфікація, один договір. Так і було в Костянтина до програми. Він знав окремі процеси, але не знав, як вони пов'язані між собою.

Після навчання він розуміє, як різні вироби взаємодіють в одному напрямку. А звідси й розуміння, чому закупівлі мають бути комплексними: техніка працює в зв'язці, і закуповувати її теж варто з урахуванням цієї зв'язки.

Рішення і розмови з колегами

Рішення в роботі Костянтина й надалі чітко регламентовані, тут нічого не змінилось. Змінилось інше. Раніше він бачив своє рішення окремо. Тепер видно його значення в комплексі з іншими рішеннями, інколи навіть тими, які ухвалює не він.

Це відчутно і в щоденній роботі. У розмовах із колегами він став обізнанішим з технічного боку, тож обговорення стали предметнішими.

Звідки це взялося

Костянтин пов'язує ці зміни з комплексними груповими вправами з планування операцій. На них учасники працювали з операцією як з цілим: розбирали, як окремі елементи поєднуються в одну систему і впливають один на одного.

Для людини, яка щодня працює з однією ділянкою, такий формат дає рідкісну можливість побачити всю картину. І саме ця картина потім допомагає краще робити свою частину роботи.

Спільнота

Окрім знань, після навчання в Костянтина залишились корисні контакти для нетворкінгу. Програма і її учасники стали для нього важливим надбанням.

У Defence Tech це має особливу вагу. Сфера тісна, багато питань вирішується через людей, і знайомства з колегами з інших компаній та ролей часто корисні не менше за саму програму.

Порада колегам

На запитання, чи радить він програму колегам по галузі, Костянтин відповів коротко: однозначно йти. Як мінімум заради цікавих людей усередині Defence Tech сфери.