
Протягом 3-4 тижнів після випуску я почав активно розсилати резюме по всіх можливих сайтах, пройшов кілька скринінгів і виконав тестові. Але роботу знайшов в LinkedIn трохи менше, ніж за місяць. Після кількох етапів інтерв'ю мене взяли на позицію junior Python engineer в Custom PC Software у місті Суми, де я працюю віддалено. Це аутсорсингова компанія, яка на ринку понад 15 років і має постійних клієнтів переважно зі США.
Я реєструвався на багатьох сайтах пошуку роботи, в тому числі міжнародних, і щодня їх моніторив. І всім раджу. Коли бачиш багато вакансій, легко знайти спільний знаменник у вимогах, і поглибити свої знання там, де є пробіл.
«Не бреши у резюме. Навіть, якщо первинний скринінг ти пройдеш, то далі усе завалиться. Ти залишиш про себе погане враження, та витратиш час обох сторін».
Спершу дай собі відповідь на питання «навіщо?» Не розглядай ІТ як поїзд, в який треба вскочити. Це здається легким, але насправді освоєння будь-якої нової професії вимагає багато часу, ресурсу та мотивації. Тож спочатку треба розібратися у напрямках, запитати у людей зі сфери про підводні течії чи походити на мітапи, аби зрозуміти, що саме твоє. Це найскладніше. І коли вже обираєш напрямок в ІТ, не очікуй на швидкі результати. Не вийде на знаннях, отриманих за 4 місяці, виїжджати усе життя.
«Вибір в ІТ схожий на досвід з книжками: ми спочатку читаємо анотацію, щоб зрозуміти, чи подобається нам історія. Тож пробуй себе в якомога більшій кількості напрямків, щоб відчути, що насправді тобі до душі. Не відмовляйся від спроб, щоб не жалкувати потім».


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.
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.

У третьому кварталі 2026 року оборонні компанії опублікували на DOU 3942 вакансії. Це близько 20% усіх пропозицій на платформі і рекорд за всі роки. Для hardware-фахівців показник теж рекордний: 704 вакансії за квартал, а на одну вакансію embedded-розробника в середньому припадає 4,6 відгуку (DOU, III квартал 2026). Компанії, які шукають «готового» інженера методами класичного IT, витрачають на це місяці. У статті зібрані дані ринку, цифри з нашого вебінару «Навчати чи наймати» з Мартою Хрип'як, HR Director Lira Engineering, і критерії, за якими варто вирішувати: шукати людину на ринку чи виростити її.
Попит на інженерів в оборонці росте швидше, ніж ринок встигає готувати людей. У 2025 році deftech-вакансій було в 2,6 раза більше, ніж у 2024-му. За перше півріччя 2026 року їх опублікували більше, ніж за весь 2025 рік. Кількість вакансій для hardware-фахівців з 2024 року зросла більш ніж ушестеро.
Наймати далі планують усі. У дослідженні Української ради зброярів і CORE Team усі 27 опитаних виробників збираються шукати людей найближчі 6–12 місяців, а майже половина називає найдефіцитнішими інженерів-конструкторів та інженерів з електроніки (AIN). Конструкторів шукають 67% виробників.
Найважче закрити ролі на стику заліза і коду:
Частка embedded-вакансій в оборонці в 6–7 разів вища, ніж в IT (DOU). При цьому бракує не лише стеку. Як підкреслювала на вебінарі Марта Хрип'як-Стеценко, компаніям не вистачає інженерного мислення: уміння ухвалювати рішення в умовах невизначеності й відповідати за продукт.
Звичайну технічну роль в оборонці закривають за 1–2 місяці, критичну інженерну за 3–6 місяців і довше. Такі терміни Марта Хрип'як-Стеценко навела на вебінарі «Навчати чи наймати»:
Кілька цифр, які пояснюють, чому все так довго:
Остання цифра найпрактичніша. Якщо за два тижні у воронці немає жодного близького кандидата, проблема, найімовірніше, у профілі вакансії. Продовжувати пошук з тими самими вимогами означає втрачати ще місяці.
Навіть коли кандидата знайдено, найм часто зривається на фініші. Серед типових причин: контрофер, безпекові перевірки, невизначеність із бронюванням, формат роботи, знижена ставка на випробувальний термін, зміна обов'язків або етапів у процесі і повільне рішення самої компанії.
Більшість вакансій, які не закриваються місяцями, вимагають від однієї людини поєднання кількох рідкісних навичок. Кожну з них окремо на ринку знайти можна. Разом майже ніколи.
«Окремо знайти Senior Embedded — в принципі реально. Окремо знайти людину з досвідом у БПЛА — реально. Окремо знайти людину, яка знає англійську на рівні B2-C1 — реально. Але знайти сеньйора з досвідом БПЛА, з сильним системним дизайном, з англійською мовою і, наприклад, з готовністю працювати в мілтеху... це вже одиниці на всю країну».
Марта Хрип'як-Стеценко, HR Director, Lira Engineering
Перетин вимог лише одна з причин. Спікерка вебінару виділила ще кілька:
Пул IT-фахівців цю проблему не закриває. У класичному IT окремі напрями збирають понад 80 відгуків на вакансію, тоді як у deftech середній показник за перше півріччя 2026 року становив 10,2 (RazomUA за даними DOU). І більшість цих відгуків іде на Project Manager, QA та DevOps.
Кандидатів стало ще менше, а підняття зарплат ситуацію не врятувало. Ось як Марта Хрип'як-Стеценко описала зміни на вебінарі:
Висновок спікерки прямий: головна проблема в браку людей і конкуренції за той самий пул. Ставки тут вторинні.
Бюджет на рекрутера чи агенцію видно одразу. Решту витрат зазвичай не рахують, хоча вони більші:
Оборонні компанії зазвичай пробують шість підходів. Лише один із них збільшує кількість інженерів у галузі.
Марта Хрип'як-Стеценко назвала це канібалізацією талантів. Коли компанія B переманює інженера в компанії A, у галузі як було вісім інженерів, так і лишилося вісім. Чийсь продукт зупинився, а ринкові зарплати піднялися для всіх. Вирощений інженер додає галузі ще одного фахівця. Збільшити пул може тільки навчання.
Шукати на ринку варто, коли людина потрібна за тижні або йдеться про унікальну lead-роль. Вирощувати всередині, коли до потреби є 3–6 місяців, у кандидата є суміжна база, а в команді є ментор. Рішення залежить від трьох критеріїв:
Внутрішня підготовка працює, якщо в компанії є наставники з виділеним часом, документація, онбординг і прозора структура росту. Найчастіше бракує часу сеньйорів, плану розвитку ролі, відповідального за L&D і віри керівництва в окупність.
Частину цих прогалин закриває зовнішній освітній партнер. Він бере на себе базову програму, викладачів і практику на залізі, а специфіку продукту людина отримує вже всередині компанії. Кандидатів для такого навчання найкраще шукати серед розробників на C/C++, випускників електроніки, радіотехніки, мехатроніки і у власній команді.
Офлайн-події та профільні медіа дають доступ до кандидатів, яких немає в онлайн-воронці:
Ці канали розширюють охоплення, але кількість інженерів на ринку вони не збільшують.
Beetroot Academy готує інженерів для defence і dual-use. Ключова освітня програма Embedded Development триває п'ять місяців і поєднує заняття з викладачами-практиками з роботою на реальному залізі; команди можна навчати окремими місцями або виділеною групою.
Повний запис вебінару «Навчати чи наймати: як Defence-компанії закривають дефіцит інженерів» і умови для команд є на сторінці для Defence-компаній.

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.
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:
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.
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:
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.
Менше, ніж здається. Щоб працювати з детекторами на практиці, вистачить:
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.
Для embedded-розробника крок 6 буде найпростішим, а кроки 3–5 найновішими. У бекендера навпаки.
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.
У вакансіях українських defence-компаній за 2026 рік повторюється приблизно однаковий набір:
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.
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.