Vision par ordinateur : marché

Offre

une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies

Candidat observé

un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre

Candidat correspondant

pas encore compté

Fenêtre

offres ouvertes au moment de la création de l'instantané

Chiffres basés sur un petit échantillon — pour des repères plus larges, voir ML Engineer et Research Engineer / Scientist. Junior — entrée typique : master / doctorat en CV / robotique + portfolio (compétitions CV sur Kaggle, projets CV sur GitHub). Le saut Junior → Middle — après le premier déploiement CV en production (fonctionnalité de détection / segmentation / classification livrée). Middle → Senior — responsabilité d'un pipeline CV multi-tâches + expertise du déploiement en edge ou spécialisation en IA générative. Senior → Staff / Principal — stratégie CV à l'échelle de l'organisation + conception d'architectures sur mesure + publication d'articles de recherche. Parcours de carrière : Backend Senior / ML Engineer Middle (2-3 ans) + intérêt pour la CV + portfolio → CV Engineer Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit Ingénieur Vision 3D, soit Edge CV Engineer, soit Generative AI Engineer (image/vidéo), soit ML Research CV (articles en filière académique CVPR / ICCV / ECCV).

Top 5 : python, pytorch, c++, opencv, tensorflow. Python en profondeur (principalement — les composants edge parfois en C++/Rust). Maîtrise de PyTorch + torchvision — 90 %+ de la recherche en CV sur PyTorch en 2026 (TensorFlow historique). Maîtrise d'OpenCV : opérations de CV classique (cv2.findContours / cv2.HoughLines / détection de contours Canny / morphologie / homographie / calibration de caméra / appariement stéréo — indispensable pour le prétraitement + les algorithmes traditionnels). Pillow (PIL — manipulation d'images). Détection d'objets / segmentation : Ultralytics YOLO (YOLOv8/v9/v10/v11 — standard du secteur 2026 — entraînement simple + bonne documentation), Detectron2 (Meta — niveau recherche, plus flexible), MMDetection / MMSegmentation / MMPose (OpenMMLab — vaste écosystème), famille DETR (RT-DETR en hausse en 2026), SAM + SAM 2 (segmentation universelle). Auto-supervisé + modèles de fondation : DINOv2 (Meta — meilleur backbone de vision 2024 pour l'extraction de caractéristiques), CLIP + OpenCLIP + SigLIP (alignement vision-langage), MAE (Masked Autoencoder). Backbones de classification : famille ViT, Swin Transformer, ConvNeXt, EfficientNet + MobileNet (efficaces), timm (modèles préentraînés, bibliothèque indispensable). Augmentation de données : albumentations (standard du secteur — 30+ types d'augmentation), torchvision.transforms.v2 (natif PyTorch moderne), RandAugment + AugMix + Mixup + CutMix. LLM multimodaux : GPT-4V + Claude 3.5 Sonnet vision + Gemini 1.5/2.0 Pro vision + open source LLaVA + Qwen 2 VL + InternVL + Idefics2 + Molmo (meilleur multimodal ouvert 2024). OCR : PaddleOCR (Baidu — leader multilingue 2026 — 80+ langues), EasyOCR, Tesseract (historique, encore très répandu), Docling (IBM 2024 — compréhension de documents), Surya, TrOCR (Microsoft, basé sur les transformers). Reconnaissance faciale : InsightFace (SOTA open source 2026 — modèles ArcFace + RetinaFace + Buffalo), DeepFace, face_recognition. Russes : NtechLab FaceNGN / VisionLabs Luna / Tevian / RecFaces. Compréhension vidéo + suivi : ByteTrack (le plus rapide 2026), DeepSORT, BoT-SORT, StrongSORT, MOTRv2. Modèles vidéo : VideoMAE, X-CLIP, InternVideo, MViT. Vision 3D : NeRF (original 2020) + Instant-NGP (NVIDIA — 100× plus rapide) + Gaussian Splatting (en hausse 2023–2026), Nerfstudio (framework unifié), Open3D (nuages de points), PyTorch3D (Meta), Kaolin (NVIDIA), COLMAP (structure-from-motion), Mitsuba 3 (rendu différentiable). Génération d'images / de vidéo : famille Stable Diffusion (SDXL + SD3 + SD3.5), FLUX.1 (Black Forest Labs — détenteur du record ouvert 2024+), DALL-E 3 / Imagen 3 / Midjourney v6 / Ideogram. Vidéo : Runway Gen-3 / Pika 1.5 / Kling AI / Sora / AnimateDiff / SVD. Interfaces pour le génératif : ComfyUI (à base de nœuds — le favori de la recherche), Automatic1111. Fine-tuning génératif : LoRA + DreamBooth pour Stable Diffusion / FLUX. Serving de l'inférence : Triton Inference Server + BentoML + TorchServe. Annotation : CVAT (OpenCV — standard du secteur), Label Studio + V7 Darwin (commercial) + Roboflow (prototypage rapide). Jeux de données : COCO (benchmark de détection / segmentation) + ImageNet (classification) + OpenImages + LAION-5B (entraînement génératif à l'échelle du web) + Objects365 + Visual Genome + ADE20K (segmentation) + Cityscapes (conduite autonome). Optimisation adaptée au matériel : quantification (INT8 / FP16), élagage, distillation, parcimonie structurée (pour les tensor cores NVIDIA Ampere+).

Les trois rôles se recoupent en 2026, mais leurs priorités diffèrent. ML Engineer — généraliste, responsable de la stack ML en production (recsys / fraude / ranking / ML classique + LLM). Peut travailler avec des données CV mais sans spécialisation approfondie. Voir ML Engineer. AI Engineer / LLM Engineer — centré sur l'intégration des LLM (orienté texte). Voir AI / LLM Engineer. NLP Engineer — centré sur le texte + la parole. Voir NLP Engineer. Computer Vision Engineer (cette page) — centré sur les données image / vidéo / 3D. Recoupement de stack avec le ML Engineer ~60 % (PyTorch + ML cloud + déploiement) + ~30 % spécifiques (OpenCV + Ultralytics + Detectron2 + SAM + albumentations + spécificités du déploiement edge — TensorRT / CoreML). Différences : 1) Intuition du traitement d'image — le CV Engineer comprend les modèles de caméra / la distorsion des objectifs / les espaces colorimétriques / l'analyse d'histogrammes / les opérations morphologiques — socle de la CV classique. L'AI Engineer n'en connaît généralement rien. 2) Contraintes de calcul — les modèles CV sont lourds (des gigaoctets), la latence d'inférence est critique (conduite autonome — exigence de 30+ FPS), le déploiement edge (maîtrise de TensorRT / CoreML / OpenVINO) — territoire exclusif de la CV. 3) Spécialisation en image / vidéo générative — expertise des workflows Stable Diffusion / FLUX / ComfyUI — propre à la niche CV (recoupe l'AI Engineer pour la génération pilotée par le texte). 4) Compétences en vision 3D — NeRF / Gaussian Splatting / nuages de points / SLAM / calibration de caméra — exclusivement CV. 5) Expertise métier — les rôles CV sont souvent liés à un secteur précis (véhicules autonomes / imagerie médicale / robotique / AR/VR / imagerie satellite / contrôle qualité industriel). Chaque domaine a ses propres jeux de données + règles. Reconversions : ML Engineer Senior → CV Engineer — 4-8 mois (il faut OpenCV + Ultralytics + Detectron2 + albumentations + un domaine). CV Engineer Senior → ML Engineer — 2-4 mois (passage latéral facile, ajouter MLOps + bases des LLM). CV Engineer Senior → AI Engineer (filière LLM) — 3-6 mois. Sous-spécialisations en vogue en 2025–2026 : vision 3D (Gaussian Splatting) / image-vidéo générative (FLUX + de type Sora) / multimodal (modèles vision-langage — LLaVA / Molmo).

Arbre de décision pour la détection / segmentation d'objets 2026 : 1) Ultralytics YOLO (YOLOv8 / v9 / v10 / v11) — choix par défaut 2026 pour la détection d'objets. Avantages : entraînement facile (3-5 lignes de code), bonne documentation + communauté, inférence rapide (temps réel sur CPU + edge), large support du déploiement (ONNX + TensorRT + CoreML + TFLite natifs). Inconvénients : la licence Ultralytics exige l'AGPL ou une licence commerciale ($$) pour un usage propriétaire, moins flexible pour la recherche que Detectron2 / MMDetection. Cas d'usage : 90 % des cas d'usage de détection d'objets en production, prototypes, déploiement edge. 2) Detectron2 (Meta) — niveau recherche. Avantages : API propre, flexible (architectures sur mesure faciles), licence Apache 2.0 (compatible commercial), soutenu par Meta. Inconvénients : entraînement plus lent qu'Ultralytics, courbe d'apprentissage plus longue. Cas d'usage : architectures sur mesure complexes, projets de recherche, quand il faut un contrôle fin de la boucle d'entraînement. 3) MMDetection / MMSegmentation / MMPose (OpenMMLab — consortium chinois) — immense écosystème. Avantages : 100+ architectures déjà implémentées (anciennes et nouvelles), les implémentations de référence des publications y arrivent toujours en premier, Apache 2.0. Inconvénients : très axé sur la configuration (courbe d'apprentissage raide), communauté sinophone parfois difficile d'accès pour les anglophones, dépendances parfois conflictuelles. Cas d'usage : recherche, comparaison de nombreuses architectures, reproduction de publications. 4) Famille DETR (détection à base de transformers) — changement de paradigme moderne 2020+. RT-DETR (Real-Time DETR — Baidu, en essor 2024+ — concurrent de YOLO en temps réel), DINO-DETR, Co-DETR. Avantages : de bout en bout (pas de post-traitement NMS), souvent plus précis sur des scènes complexes. Inconvénients : inférence plus lente que YOLO, entraînement plus gourmand en calcul. Cas d'usage : besoins de précision maximale, scènes complexes (objets nombreux). 5) SAM (Segment Anything Model — Meta 2023) + SAM 2 (version vidéo 2024) — segmentation universelle. Cas d'usage : a) segmentation zero-shot (segmenter n'importe quoi sans entraînement), b) outil d'annotation interactif (point / boîte → masque), c) accélération de l'étiquetage des données (annotation assistée par SAM 10× plus rapide). À combiner avec YOLO / Detectron2 : détecteur → SAM pour des masques précis. 6) Détection classique (HOG + classifieurs en cascade — OpenCV) — uniquement pour les cas très simples, appareils edge sans GPU, microcontrôleurs basse consommation (toujours pertinent pour les scénarios embarqués). Recommandations par défaut 2026 : Déploiement en production + usage commercial → Ultralytics YOLO (si l'AGPL ou une licence commerciale convient) OU Detectron2 (alternative Apache 2.0). Recherche / reproduction de publications → MMDetection. Précision maximale / scènes complexes → RT-DETR ou Co-DETR. Segmentation universelle / zero-shot → SAM 2. Accélération de l'annotation → SAM + workflows interactifs (intégration CVAT). Edge / mobile → YOLO avec TensorRT (NVIDIA) / CoreML (Apple) / TFLite (Android). Un Senior CV Engineer doit savoir quoi utiliser et quand.

Oui, 24 % des offres de CV Engineer sont entièrement à distance ou hybrides. Le travail en CV se fait entièrement dans le cloud (entraînement sur GPU cloud — A100 / H100, jeux de données diffusés depuis S3 / GCS, déploiement dans Kubernetes). Les sociétés d'outsourcing — presque toujours à distance sur des projets CV américains. Entreprises russes — hybride ou à distance après la période d'essai. Banques russes (Sber AI Banking CV — reconnaissance faciale / vérification de documents) — hybride/bureau pour des raisons de conformité de sécurité. Entreprises de véhicules autonomes — cas particulier : les postes de recherche sont souvent ouverts au télétravail, mais le déploiement produit / les tests embarqués exigent une présence sur site (Cruise à Pittsburgh / Waymo à Mountain View / Tesla à Palo Alto / etc.). Entreprises d'IA générative (Stability / Black Forest Labs / Runway / Pika / Kling) — tout à distance standard. Les entreprises internationales d'IA vocale / NLP se recoupent (équipes multimodales) — tout à distance. CV des Big Tech — hybride standard. Pôles d'expatriation pour la CV : États-Unis (Bay Area + Pittsburgh — pôles des véhicules autonomes + Boston — région robotique du MIT), Royaume-Uni (Londres — Wayve), Canada (Toronto — Vector Institute), Allemagne (IA à Berlin + automobile à Munich — IA de BMW / Mercedes), France (Paris — Hugging Face + Mistral pour les LLM de vision), Japon (Tokyo — Sony AI + automobile). L'anglais pour le télétravail international en CV — indispensable (les articles CVPR / ICCV / ECCV + la communauté sont anglophones).

Ingénieur Vision 3D — sous-spécialisation de la CV centrée sur la compréhension 3D + le rendu neuronal. Au quotidien : 1) Reconstruction NeRF / Gaussian Splatting — vidéo en entrée → représentation de scène 3D. Outils : Instant-NGP (NVIDIA — NeRF rapide) / Nerfstudio (framework unifié) / gsplat (bibliothèque de Gaussian Splatting) / application Polycam pour la capture. 2) Traitement de nuages de points — données LiDAR (véhicules autonomes) ou caméras de profondeur (Kinect / RealSense). Outils : Open3D / PCL (Point Cloud Library) / PyTorch3D. 3) Structure-from-motion (SfM) — plusieurs images 2D → scène 3D. Outils : COLMAP (SfM standard du secteur). 4) SLAM (localisation et cartographie simultanées) — robotique / RA — suivre la pose de la caméra + construire la carte. Outils : ORB-SLAM3 / OpenVSLAM / Kimera. 5) Rendu différentiable — apprendre la 3D à partir d'une supervision 2D. Outils : Mitsuba 3 / nvdiffrast / Kaolin. 6) Génération 3D — texte → maillage 3D (DreamFusion + Magic3D + Zero-1-to-3) ou image → 3D (TripoSR / InstantMesh — open source 2024+). 7) Traitement de maillages — texturage / retopologie / dépliage UV pour les pipelines de contenu 3D. Stack spécifique : PyTorch3D (Meta — recherche 3D), Kaolin (NVIDIA — DL 3D), Mitsuba 3 (rendu différentiable), Open3D / PCL (nuages de points), COLMAP (SfM), Nerfstudio + gsplat (NeRF / 3DGS), API Python de Blender (manipulation de maillages). Parcours de carrière : CV Engineer Senior + intérêt pour l'infographie + portfolio concret NeRF / 3DGS → Ingénieur Vision 3D — 6-12 mois.

Feuille de route : 1) Bases mathématiques — algèbre linéaire + analyse + bases de la géométrie projective (transformations / homographies / modèles de caméra). « Multiple View Geometry in Computer Vision » de Hartley / Zisserman — la bible des mathématiques de la vision (utilisable comme référence, inutile de le lire de bout en bout). 2) Python en profondeur + bases du ML — PyTorch + NumPy + Matplotlib. Construire un classifieur ML simple (MNIST). 3) Maîtrise d'OpenCV — opérations classiques de vision. Cours : « Computer Vision Course » de PyImageSearch (Adrian Rosebrock — la meilleure entrée pour OpenCV), documentation officielle + tutoriels d'OpenCV. Projets personnels : détection de contours / panorama par homographie / détection de visages avec les cascades de Haar classiques. 4) Deep learning pour la vision — Stanford CS231n « Convolutional Neural Networks for Visual Recognition » (Karpathy / Li — gratuit sur YouTube + diapositives — indispensable, le cours canonique de deep learning en vision). 5) Pratique de PyTorch + torchvision — entraîner ResNet / EfficientNet sur CIFAR-10, faire le fine-tuning d'un modèle pré-entraîné sur votre propre jeu de données. Apprendre la bibliothèque timm (modèles pré-entraînés). 6) Détection d'objets — pratique d'Ultralytics YOLO (l'entrée la plus facile — entraîner YOLO sur un jeu de données personnalisé en une journée). Puis Detectron2 (plus flexible). 7) Segmentation — Mask R-CNN via Detectron2, puis SAM (segmentation universelle) — essayer la segmentation interactive. 8) Outils d'annotation — maîtrise de CVAT (le standard du secteur pour l'annotation en vision). Annoter votre propre jeu de données (10-50 images), entraîner un détecteur dessus. 9) Maîtrise de l'augmentation — bibliothèque albumentations (indispensable pour la vision en production). Comprendre la stabilité de l'entraînement — une augmentation forte améliore la robustesse. 10) Transformers modernes pour la vision — Vision Transformer (ViT) + Swin Transformer + DINOv2 (modèle de fondation). Support de la vision dans Hugging Face Transformers. 11) LLM multimodaux — essayer GPT-4V + la vision de Claude + LLaVA / Qwen 2 VL open source pour comprendre. 12) Filière vision générative (populaire 2024–2026) : pratique de Stable Diffusion + FLUX, maîtrise des workflows ComfyUI, fine-tuning LoRA / DreamBooth. Cours : « Generative AI with Diffusion Models » de DeepLearning.AI. 13) Filière vision 3D (en croissance 2024+) : pratique de NeRF + Gaussian Splatting avec le framework Nerfstudio, capturer votre propre scène avec un téléphone (application Polycam), la reconstruire en 3DGS. 14) Pratique du déploiement en edge — convertir un modèle PyTorch → ONNX → TensorRT (sur GPU NVIDIA), mesurer la latence d'inférence. Essayer la conversion CoreML pour Apple Silicon. 15) Portfolio de projets personnels : a) pipeline de détection de niveau production (par ex. démo de comptage de poissons / de véhicules / de cellules) ; b) LoRA Stable Diffusion / FLUX personnalisée sur votre propre style ; c) reconstruction en Gaussian Splatting (une belle scène 3D à partir d'une vidéo de téléphone) ; d) application mobile de vision (déployée via CoreML/TFLite). Documenter sur GitHub + article de blog + démo vidéo. Formations russes : MIPT DLSchool (module vision — gratuit sur YouTube), filière « Computer Vision » de Karpov.Courses, Otus « Computer Vision », SkillFactory CV, filière AI Computer Vision de School21 (Sber). International (EN) : Stanford CS231n (canonique — gratuit sur YouTube), fast.ai Practical Deep Learning (vision incluse), Hugging Face Computer Vision Course (gratuit), le livre « Deep Learning for Computer Vision » de Mohamed Elgendy, PyImageSearch University (Adrian Rosebrock — orientation appliquée). Livres à lire absolument : « Deep Learning for Vision Systems » de Mohamed Elgendy (Manning), « Multiple View Geometry » de Hartley / Zisserman (référence mathématique), « Computer Vision: Algorithms and Applications » de Richard Szeliski (2e édition gratuite en ligne — encyclopédique). Conférences : CVPR (la référence — juin), ICCV (octobre, en alternance avec ECCV), ECCV (octobre, en alternance), NeurIPS (décembre — ML plus large avec une filière vision). Backend Senior / ML Engineer Middle + intérêt pour la vision + portfolio → ingénieur vision par ordinateur Junior — 6-12 mois. Doctorat en vision / robotique → ingénieur vision Senior — entrée directe.

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 CV Engineer Senior prend en charge le cycle complet d'ingénierie de la vision + le leadership technique. Fondamentaux mathématiques : algèbre linéaire + géométrie projective (modèles de caméra / homographies / géométrie épipolaire) + analyse + théorie de l'optimisation — au niveau « sait lire des articles CVPR sans bloquer sur les maths ». Python en profondeur + niveau Backend Senior : maîtrise d'async / typing / FastAPI / pytest. Bases de C++ (pour le déploiement edge + noyaux OpenCV personnalisés — un plus). Maîtrise approfondie de PyTorch + torchvision : Datasets / Samplers / Losses / boucles d'entraînement personnalisés, entraînement distribué (DDP pour l'entraînement CV multi-GPU), précision mixte (FP16 / BF16 obligatoire en production), accumulation de gradients pour les grands modèles. Maîtrise d'OpenCV : opérations de CV classique (calibration / morphologie / transformées de Hough / homographie / appariement stéréo / flot optique), bases de l'API C++ pour les chemins critiques en performance. Transformers modernes pour la CV : maîtrise de ViT / Swin / DINOv2, stratégies de fine-tuning, architectures hybrides CNN-transformer. Maîtrise de la détection / segmentation d'objets : déploiement en production d'Ultralytics YOLO + conception d'architectures personnalisées Detectron2 + MMDetection / MMSegmentation si nécessaire + RT-DETR + intégration de SAM 2 dans les pipelines. Maîtrise de l'augmentation de données : albumentations avancé (transformations personnalisées + stratégies de composition), augmentation au moment du test (TTA), compréhension d'AutoAugment / RandAugment / CutMix / Mixup. Modèles de fondation : DINOv2 + CLIP + SigLIP + OpenCLIP — cas d'usage pour l'extraction de caractéristiques + la classification zero-shot + la recherche. LLM multimodaux (GPT-4V / Claude vision / LLaVA / Qwen 2 VL / Molmo) — quand les utiliser plutôt qu'entraîner un modèle personnalisé. Maîtrise de la CV générative (si la filière l'inclut) : Stable Diffusion + FLUX en profondeur — fine-tuning ControlNet / LoRA / DreamBooth / IP-Adapter / textual inversion. Conception de workflows ComfyUI. Bases de la génération vidéo (AnimateDiff / SVD). Maîtrise de la vision 3D (si la filière l'inclut) : NeRF + Gaussian Splatting + Nerfstudio + SfM COLMAP + nuages de points Open3D. Calibration de caméra + géométrie projective en profondeur. Maîtrise du déploiement edge : ONNX (export inter-frameworks + optimisation ONNX Runtime), TensorRT (NVIDIA — quantification INT8 + développement de plugins si nécessaire), CoreML (Apple Silicon — support des opérations Conv2D + spécificités du Neural Engine), TFLite (délégué Android NNAPI), pipelines MediaPipe, OpenVINO (iGPU Intel). Optimisation adaptée au matériel : quantification (PTQ + QAT), élagage, distillation (enseignant-élève), sparsité structurée (NVIDIA Ampere+ pour une accélération de 2×). Architecture de pipeline CV en production : concevoir au tableau blanc un pipeline de bout en bout — ingestion des données (caméras / disques / streaming cloud) → prétraitement → inférence par lots → post-traitement → suivi / agrégation → actions en aval. Systèmes multi-caméras : synchronisation + calibration + fusion pour l'autonome / la vidéosurveillance. Serving d'inférence : Triton Inference Server (NVIDIA — le meilleur pour le multi-modèles + batching dynamique), DeepStream (analytique vidéo NVIDIA), BentoML / TorchServe. Budgets de latence : concevoir pour des contraintes temps réel (autonome : 30+ FPS, AR : 60+ FPS, modération vidéo : le batch convient), optimisation guidée par le profilage (NVIDIA Nsight + PyTorch Profiler). Expertise métier : compréhension approfondie d'un ou deux domaines (conduite autonome / imagerie médicale / recherche visuelle en retail / perception robotique / AR/VR / imagerie satellite / contrôle qualité industriel) — principal moteur de la prime pour Senior+. Stratégie d'annotation : concevoir des workflows d'annotation à grande échelle (CVAT / Label Studio + assistance SAM), boucles d'apprentissage actif, contrôle qualité des labels. Méthodologie d'évaluation : compréhension approfondie des métriques COCO (AP / AP50 / AP75 / mAP@[.5:.95]), métriques de segmentation (mIoU / Dice / boundary F1), métriques propres au domaine (NDS / mAP pour la détection autonome), évaluation avec humain dans la boucle pour le génératif. Soft skills : rédaction d'ADR pour les décisions d'architecture CV, rédaction technique (documents de conception de fonctionnalités CV + brouillons d'articles en filière recherche), collaboration inter-équipes (équipes Produit / Backend / Robotique / Hardware), mentorat de CV Engineers Middle, discipline de lecture d'articles (CVPR / ICCV / ECCV / NeurIPS — à suivre absolument). Anglais INDISPENSABLE pour Senior+ — la communauté CV / la documentation / les articles / les conférences sont anglophones. Bonus facultatif : contributions open source à Ultralytics / Detectron2 / MMDetection / timm / albumentations / Nerfstudio — augmentent fortement la valeur sur le marché pour le recrutement CV des Big Tech / véhicules autonomes / IA générative. Articles dans les workshops CVPR / ICCV / ECCV — prime pour la filière Research Engineer CV.