职场资讯
正在查看中级图像算法简约简历模板文字版
陈小湾
求职意向
工作经历
XXX智能是专注于计算机视觉技术落地的科技公司，团队规模约XXX人，核心业务是为安防监控、工业质检等领域提供AI解决方案，自研算法已服务于超过XXX家客户，与多家硬件设备厂商建立了嵌入式产品合作。
工作概述：
1.算法开发：根据工业质检需求，明确漏检率与过检率指标，设计针对金属表面缺陷的检测算法方案；选用改进的YOLO模型架构进行编码实现，通过调整网络结构与损失函数增强对小目标的识别能力；在内部数据集上验证算法效果，将特定缺陷类别的准确率从X
X.X%提升至X
X.X%，并将推理速度优化至满足产线XXX毫秒的节拍要求。
2.模型训练：为解决训练数据不足的问题，主导数据增广策略制定，应用随机旋转、颜色扰动等方法扩充原始数据集；搭建分布式训练环境，协调多卡GPU资源，制定周期性学习率调整策略；监控训练过程的损失曲线与验证集指标，确保模型收敛稳定，单次完整训练周期缩短XXX%。
3.性能优化：针对嵌入式设备算力有限的问题，分析模型计算瓶颈，实施模型剪枝与量化操作；将浮点模型转换为INT8精度，并利用TensorRT进行推理引擎优化；在目标硬件平台上部署测试，在保证精度下降不超过
X.X%的前提下，将模型体积压缩XX%，推理速度提升XXX%。
4.技术调研：为拓展产品在医疗影像领域的应用，跟踪最新的语义分割论文与开源项目；复现关键算法并在小规模私有数据上进行可行性验证，输出技术调研报告与原型Demo；明确技术路径的优缺点，为后续项目立项提供决策依据，预研模型在特定任务上达到XX%的mIoU。
5.系统部署：负责算法从开发环境到生产服务器的交付，编写Dockerfile封装算法依赖环境；与后端开发工程师协作，设计并实现基于gRPC的算法服务接口；部署服务后，进行压力测试与长稳测试，确保服务在XXX QPS下稳定运行，将服务响应延迟控制在XXX毫秒内。
6.模型维护：监控线上模型在真实场景中的表现，定期收集bad case并分析原因；根据反馈数据，制定模型迭代与重新训练计划；建立模型版本管理制度，确保算法更新可追溯、可回滚，通过持续迭代将线上模型的平均准确率维持在高位，季度性波动小于X%。
工作业绩：
1.独立完成X个工业视觉检测算法的开发与交付，平均准确率达到X
X.X%，全部通过客户现场验收。
2.优化训练流程与模型结构，使得核心产品模型的迭代效率提升XXX%，训练成本降低XXX%。
3.完成X个主力模型的轻量化与加速工作，成功部署到XXX台边缘计算设备上，稳定运行超过XXX天。
4.主导X项新技术预研，其中X项转化为实际产品功能，拓展了XXX个新客户场景。
5.建立算法服务化部署标准流程，将单算法平均部署时间从X天缩短至X小时。
6.维护X个线上模型，通过定期迭代使整体缺陷检出率提升
X.X%，客户投诉率下降XXX%。
主动离职，希望有更多的工作挑战和涨薪机会。
项目经历
公司为XXX大型制造企业打造的质检系统升级项目，原有传统机器视觉方案对复杂、微小的缺陷类型漏检率高达XX%，且需要大量人工复检，单件检测耗时长达X秒，无法满足日益提升的产能与质量要求。项目需在现有产线不停机的前提下，部署AI算法，实现对多种材质表面缺陷的自动、精准、快速分类与定位。
项目职责：
1.负责核心检测算法的选型与设计，针对划痕、污点、凹凸等X类主要缺陷，对比多种深度学习网络，最终确定以实例分割为主的技术路线。
2.设计并实施数据标注规范与清洗流程，组织团队完成对XXX张样本图像的精细标注，并应用生成对抗网络进行困难样本扩充。
3.优化模型训练策略，引入多尺度训练与焦点损失函数，解决样本类别不均衡问题，在测试集上将平均检测精度提升至XX.X%。
4.协调完成算法在边缘工控机上的工程化落地，解决模型在Intel OpenVINO框架下的兼容性问题，确保实时检测帧率不低于XX FPS。
项目业绩：
1.成功上线X套AI质检单元，将产线整体缺陷检出率从XX%提升至X
X.X%，过检率控制在X%以内。
2.单件产品的平均检测时间从X秒降低至
X.X秒，替代了XXX个原有人工复检岗位，年节约人力成本约XXX万元。
3.系统实现7x24小时稳定运行，累计处理超过XXX万件产品，客户质量投诉率下降XXX%。
4.该项目成为公司标杆案例，助力团队后续签约同类项目合同金额累计超XXX万元。
教育背景
GPA X.XX/4.0（专业前XX%），主修数字图像处理、模式识别与机器学习核心课程，熟练掌握Python与C++编程。课程设计中主导完成基于深度学习的街景图像分割项目，负责数据预处理与模型调优部分，使用PyTorch框架实现，在PASCAL VOC数据集上达到XX%的mIoU。熟悉Linux开发环境及Git版本控制工具。
自我评价
培训经历
系统学习了机器学习理论基础与高级实践技术。将认证中所学的模型优化知识应用于工业缺陷检测项目，通过实施知识蒸馏与量化感知训练，成功将主力检测模型的体积压缩XX%，并在嵌入式设备上实现推理速度提升XXX%，同时保证了精度的稳定性，该优化方案被采纳为部门标准技术方案之一。
中级图像算法简约简历模板
547人使用适用人群: #图像算法 #中级[3-5年]
[基本信息]
姓名：陈小湾
性别：男
年龄：26
学历：本科
婚姻：未婚
年限：4年
面貌：党员
邮箱：xiaowan@gangwan.com
电话：18600001654
[求职意向]
工作性质：全职
应聘职位：图像算法
期望城市：北京
期望薪资：8000-10000
求职状态：离职-随时到岗
[工作经历]
北京XX科技有限公司 | 图像算法
2024-09 - 2025-12
XXX智能是专注于计算机视觉技术落地的科技公司，团队规模约XXX人，核心业务是为安防监控、工业质检等领域提供AI解决方案，自研算法已服务于超过XXX家客户，与多家硬件设备厂商建立了嵌入式产品合作。
工作概述：
1.算法开发：根据工业质检需求，明确漏检率与过检率指标，设计针对金属表面缺陷的检测算法方案；选用改进的YOLO模型架构进行编码实现，通过调整网络结构与损失函数增强对小目标的识别能力；在内部数据集上验证算法效果，将特定缺陷类别的准确率从X
X.X%提升至X
X.X%，并将推理速度优化至满足产线XXX毫秒的节拍要求。
2.模型训练：为解决训练数据不足的问题，主导数据增广策略制定，应用随机旋转、颜色扰动等方法扩充原始数据集；搭建分布式训练环境，协调多卡GPU资源，制定周期性学习率调整策略；监控训练过程的损失曲线与验证集指标，确保模型收敛稳定，单次完整训练周期缩短XXX%。
3.性能优化：针对嵌入式设备算力有限的问题，分析模型计算瓶颈，实施模型剪枝与量化操作；将浮点模型转换为INT8精度，并利用TensorRT进行推理引擎优化；在目标硬件平台上部署测试，在保证精度下降不超过
X.X%的前提下，将模型体积压缩XX%，推理速度提升XXX%。
4.技术调研：为拓展产品在医疗影像领域的应用，跟踪最新的语义分割论文与开源项目；复现关键算法并在小规模私有数据上进行可行性验证，输出技术调研报告与原型Demo；明确技术路径的优缺点，为后续项目立项提供决策依据，预研模型在特定任务上达到XX%的mIoU。
5.系统部署：负责算法从开发环境到生产服务器的交付，编写Dockerfile封装算法依赖环境；与后端开发工程师协作，设计并实现基于gRPC的算法服务接口；部署服务后，进行压力测试与长稳测试，确保服务在XXX QPS下稳定运行，将服务响应延迟控制在XXX毫秒内。
6.模型维护：监控线上模型在真实场景中的表现，定期收集bad case并分析原因；根据反馈数据，制定模型迭代与重新训练计划；建立模型版本管理制度，确保算法更新可追溯、可回滚，通过持续迭代将线上模型的平均准确率维持在高位，季度性波动小于X%。
工作业绩：
1.独立完成X个工业视觉检测算法的开发与交付，平均准确率达到X
X.X%，全部通过客户现场验收。
2.优化训练流程与模型结构，使得核心产品模型的迭代效率提升XXX%，训练成本降低XXX%。
3.完成X个主力模型的轻量化与加速工作，成功部署到XXX台边缘计算设备上，稳定运行超过XXX天。
4.主导X项新技术预研，其中X项转化为实际产品功能，拓展了XXX个新客户场景。
5.建立算法服务化部署标准流程，将单算法平均部署时间从X天缩短至X小时。
6.维护X个线上模型，通过定期迭代使整体缺陷检出率提升
X.X%，客户投诉率下降XXX%。
[项目经历]
项目名称：工业缺陷智能检测平台
担任角色：项目负责人
公司为XXX大型制造企业打造的质检系统升级项目，原有传统机器视觉方案对复杂、微小的缺陷类型漏检率高达XX%，且需要大量人工复检，单件检测耗时长达X秒，无法满足日益提升的产能与质量要求。项目需在现有产线不停机的前提下，部署AI算法，实现对多种材质表面缺陷的自动、精准、快速分类与定位。
项目业绩：
1.成功上线X套AI质检单元，将产线整体缺陷检出率从XX%提升至X
X.X%，过检率控制在X%以内。
2.单件产品的平均检测时间从X秒降低至
X.X秒，替代了XXX个原有人工复检岗位，年节约人力成本约XXX万元。
3.系统实现7x24小时稳定运行，累计处理超过XXX万件产品，客户质量投诉率下降XXX%。
4.该项目成为公司标杆案例，助力团队后续签约同类项目合同金额累计超XXX万元。
[教育背景]
武汉理工大学
计算机科学与技术 | 本科
GPA X.XX/4.0（专业前XX%），主修数字图像处理、模式识别与机器学习核心课程，熟练掌握Python与C++编程。课程设计中主导完成基于深度学习的街景图像分割项目，负责数据预处理与模型调优部分，使用PyTorch框架实现，在PASCAL VOC数据集上达到XX%的mIoU。熟悉Linux开发环境及Git版本控制工具。