Computer Vision: mercato

Posizione

un'offerta aperta che ha superato il controllo di qualità e indica almeno due tecnologie

Candidato osservato

un candidato il cui stack contiene questa tecnologia; un dato aggregato: nessun singolo record esce dal perimetro

Candidato abbinabile

non ancora conteggiato

Finestra

offerte aperte nel momento in cui è stato creato lo snapshot

Numeri basati su un campione ridotto: per riferimenti più ampi vedi ML Engineer e Research Engineer / Scientist. Junior: ingresso tipico: MS / PhD in CV / Robotica + portfolio (competizioni CV su Kaggle, progetti CV su GitHub). Il salto Junior → Middle: dopo il primo deployment CV in produzione (funzionalità di detection / segmentation / classification rilasciata). Middle → Senior: ownership di una pipeline CV multi-task + competenza nel deployment edge o specializzazione in generative AI. Senior → Staff / Principal: strategia CV a livello di organizzazione + progettazione di architetture custom + percorso di pubblicazione di paper scientifici. Percorso di carriera: Senior Backend / Middle ML Engineer (2-3 anni) + interesse per la CV + portfolio → Junior CV Engineer (1-2 anni) → Middle (2-3 anni) → Senior → poi 3D Vision Engineer, Edge CV Engineer, Generative AI Engineer (immagini/video), oppure ML Research CV (paper di percorso accademico CVPR / ICCV / ECCV).

I principali nel 5: python, pytorch, c++, opencv, tensorflow. Python a fondo (per lo più; i componenti edge a volte in C++/Rust). Padronanza di PyTorch + torchvision: 90%+ della ricerca CV su PyTorch nel 2026 (TensorFlow legacy). Padronanza di OpenCV: operazioni CV classiche (cv2.findContours / cv2.HoughLines / Canny edge / morfologia / omografia / calibrazione della camera / stereo matching: indispensabili per il preprocessing + gli algoritmi tradizionali). Pillow (PIL: manipolazione delle immagini). Object detection / segmentazione: Ultralytics YOLO (YOLOv8/v9/v10/v11: standard del settore nel 2026, addestramento facile + buona documentazione), Detectron2 (Meta: livello di ricerca, più flessibile), MMDetection / MMSegmentation / MMPose (OpenMMLab: ecosistema enorme), famiglia DETR (RT-DETR in crescita nel 2026), SAM + SAM 2 (segmentazione universale). Self-supervised + foundation model: DINOv2 (Meta: il miglior backbone visivo nel 2024 per l'estrazione di feature), CLIP + OpenCLIP + SigLIP (allineamento visione-linguaggio), MAE (Masked Autoencoder). Backbone di classificazione: famiglia ViT, Swin Transformer, ConvNeXt, EfficientNet + MobileNet (efficienti), timm (modelli preaddestrati, libreria indispensabile). Data augmentation: albumentations (standard del settore: 30+ tipi di augmentation), torchvision.transforms.v2 (moderno, nativo PyTorch), RandAugment + AugMix + Mixup + CutMix. LLM multimodali: GPT-4V + visione di Claude 3.5 Sonnet + visione di Gemini 1.5/2.0 Pro + open source LLaVA + Qwen 2 VL + InternVL + Idefics2 + Molmo (il miglior multimodale aperto nel 2024). OCR: PaddleOCR (Baidu: leader multilingue nel 2026, 80+ lingue), EasyOCR, Tesseract (legacy ancora molto diffuso), Docling (IBM 2024: comprensione dei documenti), Surya, TrOCR (Microsoft, basato su transformer). Riconoscimento facciale: InsightFace (SOTA open source nel 2026: modelli ArcFace + RetinaFace + Buffalo), DeepFace, face_recognition. Russi: NtechLab FaceNGN / VisionLabs Luna / Tevian / RecFaces. Comprensione dei video + tracking: ByteTrack (il più veloce nel 2026), DeepSORT, BoT-SORT, StrongSORT, MOTRv2. Modelli video: VideoMAE, X-CLIP, InternVideo, MViT. Visione 3D: NeRF (originale 2020) + Instant-NGP (NVIDIA: 100× più veloce) + Gaussian Splatting (in crescita 2023–2026), Nerfstudio (framework unificato), Open3D (point cloud), PyTorch3D (Meta), Kaolin (NVIDIA), COLMAP (structure-from-motion), Mitsuba 3 (rendering differenziabile). Immagini / video generativi: famiglia Stable Diffusion (SDXL + SD3 + SD3.5), FLUX.1 (Black Forest Labs: detentore del record aperto 2024+), DALL-E 3 / Imagen 3 / Midjourney v6 / Ideogram. Video: Runway Gen-3 / Pika 1.5 / Kling AI / Sora / AnimateDiff / SVD. UI per il generativo: ComfyUI (basato su nodi: il preferito della ricerca), Automatic1111. Fine-tuning del generativo: LoRA + DreamBooth per Stable Diffusion / FLUX. Serving dell'inferenza: Triton Inference Server + BentoML + TorchServe. Annotazione: CVAT (OpenCV: standard del settore), Label Studio + V7 Darwin (commerciale) + Roboflow (prototipazione rapida). Dataset: COCO (benchmark di detection / segmentazione) + ImageNet (classificazione) + OpenImages + LAION-5B (addestramento generativo su scala web) + Objects365 + Visual Genome + ADE20K (segmentazione) + Cityscapes (guida autonoma). Ottimizzazione consapevole dell'hardware: quantizzazione (INT8 / FP16), pruning, distillazione, sparsità strutturata (per i tensor core NVIDIA Ampere+).

Tutti e tre i ruoli si sovrappongono nel 2026, ma le aree di focus sono diverse. ML Engineer: generalista, gestisce lo stack ML in produzione (recsys / antifrode / ranking / ML classico + LLM). Può lavorare con dati CV ma senza una specializzazione profonda. Vedi ML Engineer. AI Engineer / LLM Engineer: focus sull'integrazione degli LLM (orientato al testo). Vedi AI / LLM Engineer. NLP Engineer: focus su testo + voce. Vedi NLP Engineer. Computer Vision Engineer (questa pagina): focus su dati di immagini / video / 3D. Sovrapposizione dello stack con il ML Engineer ~60% (PyTorch + ML nel cloud + deploy) + ~30% unico (OpenCV + Ultralytics + Detectron2 + SAM + albumentations + specificità del deploy edge: TensorRT / CoreML). Differenze: 1) Intuizione dell'elaborazione delle immagini: il CV Engineer capisce modelli di camera / distorsione delle lenti / spazi colore / analisi degli istogrammi / operazioni morfologiche: la base della CV classica. Di solito l'AI Engineer non sa nulla di tutto questo. 2) Vincoli computazionali: i modelli CV sono pesanti (gigabyte), la latenza dell'inferenza è critica (guida autonoma: obbligo di 30+ FPS), il deploy edge (padronanza di TensorRT / CoreML / OpenVINO) è territorio esclusivo della CV. 3) Specializzazione in immagini / video generativi: competenza nei workflow di Stable Diffusion / FLUX / ComfyUI: specifica della nicchia CV (si sovrappone all'AI Engineer per la generazione guidata dal testo). 4) Competenze di visione 3D: NeRF / Gaussian Splatting / point cloud / SLAM / calibrazione delle camere: esclusive della CV. 5) Competenza di dominio: i ruoli CV sono spesso legati a un settore specifico (veicoli autonomi / imaging medico / robotica / AR/VR / immagini satellitari / controllo qualità nella manifattura). Ogni dominio ha i suoi dataset + le sue regole. Cambi di carriera: ML Engineer Senior → CV Engineer: 4-8 mesi (servono OpenCV + Ultralytics + Detectron2 + albumentations + un dominio). CV Engineer Senior → ML Engineer: 2-4 mesi (passaggio laterale facile, aggiungendo MLOps + basi di LLM). CV Engineer Senior → AI Engineer (percorso LLM): 3-6 mesi. Sottospecializzazioni calde 2025–2026: visione 3D (Gaussian Splatting) / immagini e video generativi (FLUX + stile Sora) / multimodale (Vision-Language Model: LLaVA / Molmo).

Albero decisionale per rilevamento degli oggetti / segmentazione 2026: 1) Ultralytics YOLO (YOLOv8 / v9 / v10 / v11): la scelta predefinita 2026 per il rilevamento degli oggetti. Pro: addestramento facile (3-5 righe di codice), buona documentazione + community, inferenza veloce (in tempo reale su CPU + edge), ampio supporto al deployment (ONNX + TensorRT + CoreML + TFLite nativi). Contro: la licenza Ultralytics richiede AGPL o una licenza commerciale ($$) per l'uso proprietario, meno flessibile in ambito accademico rispetto a Detectron2 / MMDetection. Caso d'uso: il 90% dei casi di rilevamento degli oggetti in produzione, prototipi, deployment su edge. 2) Detectron2 (Meta): di livello da ricerca. Pro: API pulita, flessibile (architetture personalizzate facili), licenza Apache 2.0 (adatta all'uso commerciale), sostenuto da Meta. Contro: addestramento più lento di Ultralytics, curva di apprendimento maggiore. Caso d'uso: architetture personalizzate complesse, progetti di ricerca, quando serve un controllo fine sul ciclo di addestramento. 3) MMDetection / MMSegmentation / MMPose (OpenMMLab: consorzio cinese): ecosistema enorme. Pro: 100+ architetture già implementate (vecchie e nuove), le implementazioni di riferimento dei paper arrivano sempre qui per prime, Apache 2.0. Contro: molto basato su configurazioni (curva di apprendimento ripida), community in lingua cinese a volte difficile per chi parla solo inglese, le dipendenze possono andare in conflitto. Caso d'uso: ricerca, confronto tra molte architetture, riproduzione di paper. 4) Famiglia DETR (rilevamento basato su transformer): il cambio di paradigma moderno 2020+. RT-DETR (Real-Time DETR: Baidu, in crescita dal 2024+, concorrente di YOLO nel tempo reale), DINO-DETR, Co-DETR. Pro: end-to-end (nessuna post-elaborazione NMS), spesso maggiore accuratezza su scene complesse. Contro: inferenza più lenta di YOLO, addestramento più esigente in termini di calcolo. Caso d'uso: esigenze di massima accuratezza, scene complesse (oggetti affollati). 5) SAM (Segment Anything Model: Meta 2023) + SAM 2 (versione video 2024): segmentazione universale. Caso d'uso: a) segmentazione zero-shot (segmentare qualsiasi cosa senza addestramento), b) strumento di annotazione interattiva (prompt con punto / riquadro → maschera), c) accelerazione dell'etichettatura dei dati (annotazione assistita da SAM 10× più veloce). Da combinare con YOLO / Detectron2: rilevatore → SAM per maschere precise. 6) Rilevamento classico (HOG + classificatori a cascata: OpenCV): solo per casi molto semplici, dispositivi edge senza GPU, microcontrollori a basso consumo (ancora rilevante negli scenari embedded). Raccomandazioni predefinite 2026: Deployment in produzione + uso commerciale → Ultralytics YOLO (se AGPL o una licenza commerciale vanno bene) OPPURE Detectron2 (alternativa Apache 2.0). Ricerca / riproduzione di paper → MMDetection. Massima accuratezza / scene complesse → RT-DETR o Co-DETR. Segmentazione universale / zero-shot → SAM 2. Accelerazione dell'annotazione → SAM + flussi interattivi (integrazione con CVAT). Edge / mobile → YOLO con TensorRT (NVIDIA) / CoreML (Apple) / TFLite (Android). Un Senior CV Engineer deve sapere quando usare cosa.

Sì, il 24% delle offerte CV Engineer è completamente da remoto o ibrido. Il lavoro CV è interamente nel cloud (addestramento su GPU cloud: A100 / H100, dataset in streaming da S3 / GCS, deploy in Kubernetes). Le aziende di outsourcing: quasi sempre da remoto su progetti CV statunitensi. Russe: ibrido o da remoto dopo il periodo di prova. Banche russe (Sber AI Banking CV: riconoscimento facciale / verifica dei documenti): ibrido/in sede per la compliance di sicurezza. Aziende di veicoli autonomi: caso particolare: i ruoli di ricerca sono spesso adatti al remoto, ma il deploy di prodotto / i test sui veicoli richiedono la presenza in sede (Pittsburgh Cruise / Mountain View Waymo / Palo Alto Tesla / ecc.). Aziende di AI generativa (Stability / Black Forest Labs / Runway / Pika / Kling): completamente da remoto come standard. Le aziende internazionali di voice-AI / NLP si sovrappongono (team multimodali): completamente da remoto. CV nelle Big Tech: ibrido come standard. Hub per chi si trasferisce nella CV: USA (Bay Area + Pittsburgh: cluster dei veicoli autonomi + Boston: area robotica del MIT), Regno Unito (Londra: Wayve), Canada (Toronto: Vector Institute), Germania (AI a Berlino + automotive a Monaco: BMW / Mercedes AI), Francia (Parigi: Hugging Face + Mistral per i vision LLM), Giappone (Tokyo: Sony AI + automotive). Inglese per il lavoro CV internazionale da remoto: indispensabile (paper CVPR / ICCV / ECCV + community in inglese).

3D Vision Engineer: sotto-specializzazione all'interno della CV focalizzata sulla comprensione 3D + il rendering neurale. Il lavoro quotidiano: 1) Ricostruzione NeRF / Gaussian Splatting: video in ingresso → rappresentazione della scena 3D. Strumenti: Instant-NGP (NVIDIA: NeRF veloce) / Nerfstudio (framework unificato) / gsplat (libreria di Gaussian Splatting) / app Polycam per l'acquisizione. 2) Elaborazione delle nuvole di punti: dati LiDAR (veicoli autonomi) o telecamere di profondità (Kinect / RealSense). Strumenti: Open3D / PCL (Point Cloud Library) / PyTorch3D. 3) Structure-from-motion (SfM): più immagini 2D → scena 3D. Strumenti: COLMAP (lo standard del settore per la SfM). 4) SLAM (Simultaneous Localization and Mapping): robotica / AR: tracciare la posa della telecamera + costruire la mappa. Strumenti: ORB-SLAM3 / OpenVSLAM / Kimera. 5) Rendering differenziabile: imparare il 3D da una supervisione 2D. Strumenti: Mitsuba 3 / nvdiffrast / Kaolin. 6) Generazione 3D: testo → mesh 3D (DreamFusion + Magic3D + Zero-1-to-3) o immagine → 3D (TripoSR / InstantMesh: open source 2024+). 7) Elaborazione delle mesh: texturing / retopologia / UV unwrapping per le pipeline di contenuti 3D. Stack specifico: PyTorch3D (Meta: ricerca 3D), Kaolin (NVIDIA: DL 3D), Mitsuba 3 (rendering differenziabile), Open3D / PCL (nuvole di punti), COLMAP (SfM), Nerfstudio + gsplat (NeRF / 3DGS), Blender Python API (manipolazione delle mesh). Percorso di carriera: CV Engineer Senior + interesse per la computer grafica + portfolio pratico NeRF / 3DGS → 3D Vision Engineer: 6-12 mesi.

Roadmap: 1) Basi matematiche: algebra lineare + analisi + basi di geometria proiettiva (trasformazioni / omografie / modelli di camera). "Multiple View Geometry in Computer Vision" di Hartley / Zisserman: la bibbia della matematica per la CV (si può usare come riferimento, non serve leggerlo dall'inizio alla fine). 2) Python a fondo + basi di ML: PyTorch + NumPy + Matplotlib. Costruisci un semplice classificatore ML (MNIST). 3) Padronanza di OpenCV: operazioni di CV classica. Corso: "Computer Vision Course" di PyImageSearch (Adrian Rosebrock: il miglior ingresso in OpenCV), documentazione ufficiale + tutorial di OpenCV. Costruisci progetti personali: rilevamento dei bordi / panorama con omografia / rilevamento dei volti con le classiche cascate di Haar. 4) Deep Learning per la visione: Stanford CS231n "Convolutional Neural Networks for Visual Recognition" (Karpathy / Li: gratuito su YouTube + slide, da fare assolutamente, il corso canonico di deep learning per la CV). 5) Pratica con PyTorch + torchvision: addestra ResNet / EfficientNet su CIFAR-10, fai il fine-tuning di un modello pre-addestrato sul tuo dataset. Impara a usare la libreria timm (modelli pre-addestrati). 6) Rilevamento degli oggetti: pratica con Ultralytics YOLO (l'ingresso più facile: addestri YOLO su un dataset custom in un giorno). Poi Detectron2 (più flessibile). 7) Segmentazione: Mask R-CNN con Detectron2, poi SAM (segmentazione universale): prova la segmentazione interattiva. 8) Strumenti di annotazione: padronanza di CVAT (standard del settore per l'annotazione in CV). Annota un tuo dataset (10-50 immagini), addestraci sopra un detector. 9) Padronanza dell'augmentation: libreria albumentations (obbligatoria per la CV in produzione). Capisci la stabilità del training: un'augmentation forte migliora la robustezza. 10) Transformer moderni per la CV: Vision Transformer (ViT) + Swin Transformer + DINOv2 (foundation model). Supporto alla visione di Hugging Face Transformers. 11) LLM multimodali: prova GPT-4V + Claude vision + gli open source LLaVA / Qwen 2 VL per capirli. 12) Percorso di CV generativa (popolare 2024–2026): pratica con Stable Diffusion + FLUX, padronanza dei workflow ComfyUI, fine-tuning LoRA / DreamBooth. Corso: "Generative AI with Diffusion Models" di DeepLearning.AI. 13) Percorso di visione 3D (in crescita 2024+): pratica con NeRF + Gaussian Splatting con il framework Nerfstudio, cattura una tua scena con il telefono (app Polycam), ricostruiscila come 3DGS. 14) Pratica di deployment edge: converti un modello PyTorch → ONNX → TensorRT (su GPU NVIDIA), misura la latenza dell'inferenza. Prova la conversione in CoreML per Apple Silicon. 15) Portfolio di progetti personali: a) pipeline di rilevamento di livello produzione (ad es. demo di conteggio di pesci / veicoli / cellule); b) LoRA custom per Stable Diffusion / FLUX su uno stile tuo; c) ricostruzione con Gaussian Splatting (una bella scena 3D da un video del telefono); d) app mobile di CV (deploy tramite CoreML/TFLite). Documenta su GitHub + post sul blog + video demo. Corsi russi: MIPT DLSchool (modulo CV: gratuito su YouTube), percorso "Computer Vision" di Karpov.Courses, Otus "Computer Vision", SkillFactory CV, percorso AI Computer Vision di School21 (Sber). Internazionale (EN): Stanford CS231n (canonico: gratuito su YouTube), fast.ai Practical Deep Learning (CV inclusa), Hugging Face Computer Vision Course (gratuito), libro "Deep Learning for Computer Vision" di Mohamed Elgendy, PyImageSearch University (Adrian Rosebrock: taglio applicativo). Libri da leggere assolutamente: "Deep Learning for Vision Systems" di Mohamed Elgendy (Manning), "Multiple View Geometry" di Hartley / Zisserman (riferimento matematico), "Computer Vision: Algorithms and Applications" di Richard Szeliski (2ª edizione gratuita online: enciclopedico). Conferenze: CVPR (la principale: giugno), ICCV (ottobre, in alternanza con ECCV), ECCV (ottobre, in alternanza), NeurIPS (dicembre: ML più ampio con un percorso CV). Backend Senior / ML Engineer Middle + interesse per la CV + portfolio → CV Engineer Junior: 6-12 mesi. Dottorato in CV / Robotica → Senior CV Engineer: ingresso diretto.

237 active open CV Engineer positions with explicit CV specifics in our sample. The real pool is many times wider — many CV roles are classified as general ML Engineer / Robotics / AI Engineer (titles like "ML Engineer for autonomous driving" or "Senior Backend Engineer with CV focus"). True CV-focused jobs in CIS + Europe are estimated at 300-1,500 positions active at any moment in 2026 (counting fuzzily classified ones). Geography: the US, Russia, Germany. The real market is broader thanks to the international remote segment (generative AI companies + robotics startups full-remote-friendly). Time to close a Senior CV Engineer — 6-12 weeks (longer than general AI Engineer due to rare-skill — PyTorch deep + classical CV + one domain + edge deployment combination).

Un Senior CV Engineer gestisce l'intero ciclo dell'ingegneria della visione + leadership tecnica. Basi matematiche: algebra lineare + geometria proiettiva (modelli di camera / omografie / geometria epipolare) + analisi + teoria dell'ottimizzazione, al livello di «saper leggere i paper del CVPR senza saltare le parti matematiche». Python a fondo + livello Backend Senior: padronanza di async / typing / FastAPI / pytest. Basi di C++ (per il deploy edge + kernel OpenCV personalizzati: un plus). Padronanza approfondita di PyTorch + torchvision: Dataset / Sampler / Loss / training loop personalizzati, addestramento distribuito (DDP per l'addestramento CV multi-GPU), mixed precision (FP16 / BF16 obbligatori in produzione), gradient accumulation per i modelli grandi. Padronanza di OpenCV: operazioni di CV classica (calibrazione / morfologia / trasformate di Hough / omografia / stereo matching / optical flow), basi dell'API C++ per i percorsi critici per le prestazioni. Transformer moderni per la CV: padronanza di ViT / Swin / DINOv2, strategie di fine-tuning, architetture ibride CNN-transformer. Padronanza di object detection / segmentazione: deploy in produzione di Ultralytics YOLO + scrittura di architetture personalizzate su Detectron2 + MMDetection / MMSegmentation quando serve + RT-DETR + integrazione di SAM 2 nelle pipeline. Padronanza della data augmentation: albumentations avanzato (trasformazioni personalizzate + strategie di composizione), test-time augmentation (TTA), comprensione di AutoAugment / RandAugment / CutMix / Mixup. Foundation model: DINOv2 + CLIP + SigLIP + OpenCLIP: casi d'uso per estrazione delle feature + classificazione zero-shot + retrieval. LLM multimodali (GPT-4V / Claude vision / LLaVA / Qwen 2 VL / Molmo): quando usarli invece di addestrare un modello personalizzato. Padronanza della CV generativa (se il percorso la include): Stable Diffusion + FLUX a fondo: fine-tuning con ControlNet / LoRA / DreamBooth / IP-Adapter / textual inversion. Scrittura di workflow ComfyUI. Basi della generazione video (AnimateDiff / SVD). Padronanza della visione 3D (se il percorso la include): NeRF + Gaussian Splatting + Nerfstudio + COLMAP SfM + point cloud con Open3D. Calibrazione delle camere + geometria proiettiva a fondo. Padronanza del deploy edge: ONNX (export cross-framework + ottimizzazione di ONNX Runtime), TensorRT (NVIDIA: quantizzazione INT8 + sviluppo di plugin se necessario), CoreML (Apple Silicon: supporto delle operazioni Conv2D + specificità del Neural Engine), TFLite (delegate Android NNAPI), pipeline MediaPipe, OpenVINO (iGPU Intel). Ottimizzazione consapevole dell'hardware: quantizzazione (PTQ + QAT), pruning, distillazione (teacher-student), sparsità strutturata (NVIDIA Ampere+ per un'accelerazione di 2×). Architettura delle pipeline CV in produzione: progettare alla lavagna una pipeline end-to-end: acquisizione dei dati (camere / dischi / streaming dal cloud) → preprocessing → inferenza a batch → post-processing → tracking / aggregazione → azioni a valle. Sistemi multi-camera: sincronizzazione + calibrazione + fusione per guida autonoma / videosorveglianza. Serving dell'inferenza: Triton Inference Server (NVIDIA: il migliore per multi-modello + dynamic batching), DeepStream (video analytics NVIDIA), BentoML / TorchServe. Budget di latenza: progettare per vincoli in tempo reale (guida autonoma: 30+ FPS, AR: 60+ FPS, moderazione video: il batch va bene), ottimizzazione guidata dal profiling (NVIDIA Nsight + PyTorch Profiler). Competenza di dominio: comprensione profonda di uno o due domini (guida autonoma / imaging medico / ricerca visiva nel retail / percezione robotica / AR/VR / immagini satellitari / controllo qualità nella manifattura): il principale fattore di premio per Senior+. Strategia di annotazione: progettare workflow di annotazione su larga scala (CVAT / Label Studio + assistenza con SAM), cicli di active learning, controllo della qualità delle etichette. Metodologia di valutazione: comprensione profonda delle metriche COCO (AP / AP50 / AP75 / mAP@[.5:.95]), metriche di segmentazione (mIoU / Dice / boundary F1), metriche specifiche del dominio (NDS / mAP per la detection nella guida autonoma), valutazione human-in-the-loop per la generativa. Soft skill: scrittura di ADR per le decisioni architetturali nella CV, scrittura tecnica (documenti di progettazione delle funzionalità CV + bozze di paper se il percorso è di ricerca), collaborazione tra team (Product / Backend / Robotica / Hardware), mentoring dei CV Engineer Middle, disciplina nella lettura dei paper (CVPR / ICCV / ECCV / NeurIPS: da seguire per forza). Inglese OBBLIGATORIO per Senior+: community, documentazione, paper e conferenze della CV sono in inglese. Bonus facoltativi: contributi open source a Ultralytics / Detectron2 / MMDetection / timm / albumentations / Nerfstudio: aumentano nettamente il valore di mercato per le assunzioni CV nelle Big Tech / nei veicoli autonomi / nell'IA generativa. Paper ai workshop di CVPR / ICCV / ECCV: un premio per il percorso Research Engineer CV.