دوره بینایی ماشین: ترتیب یادگیری، هزینه دوره‌ها و کار و درآمد ۱۴۰۵

اگر از صفر و فقط با دوره‌های فنی و حرفه‌ای شروع کنی، پایتون ۱۱۰ ساعت، یادگیری ماشین ۱۷۰ ساعت و پردازش تصویر ۱۵۲ ساعت است: روی هم ۴۳۲ ساعت و حدود ۹۴٫۴ میلیون تومان با سقف شهریه حضوری تهران در ۱۴۰۵. این جمع یک بسته رسمی نیست، فقط حساب سه استاندارد پشت سر هم است. با دوره‌های ویدیویی هزینه خیلی کمتر است، اما تمرین و پروژه بر عهده خودت می‌ماند.

بین سطح تازه‌نفس و ماهر، مهم‌ترین قدم یک پروژه کامل است که داده خودت را جمع کنی، برچسب بزنی، مدل را آموزش دهی و نتیجه را روی ویدیوی واقعی نشان دهی. آگهی‌های سطح کارشناس دقیقا همین چرخه را می‌خواهند. سطح سوپرحرفه‌ای معمولا با چند سال کار روی یک نوع سامانه، مثلا بازرسی صنعتی یا ربات، ساخته می‌شود.

بینایی ماشین یعنی نرم‌افزاری که از عکس یا فیلم دوربین چیزی را بفهمد و بر پایه آن کاری انجام دهد: قطعه معیوب را از خط تولید جدا کند، پلاک خودرو را بخواند، تعداد آدم‌های یک فروشگاه را بشمارد یا بگوید کارگری کلاه ایمنی ندارد. مهندس بینایی ماشین کسی است که این نرم‌افزار را از داده خام تا دستگاهی که در محل کار می‌کند می‌رساند.

کار او سه بخش دارد. اول جمع کردن و برچسب زدن تصویر است، چون هیچ مدلی بدون نمونه‌های درست یاد نمی‌گیرد. دوم ساختن و آموزش مدل است، معمولا با پایتون، OpenCV و یک کتابخانه یادگیری عمیق مثل PyTorch. سوم اجرای مدل روی سخت‌افزار واقعی است، از سرور تا یک برد کوچک کنار دوربین، با سرعتی که کار را عقب نیندازد.

کارهایی که در آگهی‌های آبان ۱۴۰۵ دیده شد

• ایمنی کارگاه: سامانه‌ای که از تصویر دوربین‌های یک محیط صنعتی خطرهای ایمنی را تشخیص دهد.
• دامداری: تحلیل تصویر دوربین مزرعه برای دنبال کردن دام‌ها.
• ورزش: تحلیل حرکت بدن ورزشکار در فیلم گوشی، با تشخیص نقطه‌های مفصل و محاسبه زاویه‌ها.
• راه‌آهن: محصول اندازه‌گیری با لیدار، حسگر لیزری و دوربین معمولی و حرارتی.
• ربات و پهپاد: ناوبری با دوربین دوچشمی روی بردهای Jetson و Raspberry Pi.
• سخت‌افزار تصویر: نوشتن درایور لینوکس برای دوربین و پیاده‌سازی الگوریتم‌های سنگین تصویر روی FPGA.

پس این شغل فقط پشت میز نیست. در بیشتر این آگهی‌ها مدل باید کنار یک دوربین واقعی، با نور بد و زاویه ناجور، درست کار کند. همین نکته فرق یک دوره ویدیویی کوتاه را با آمادگی برای استخدام نشان می‌دهد.

پردازش تصویر یعنی کار مستقیم روی پیکسل‌ها: روشن و تیره کردن، حذف نویز، تیز کردن لبه‌ها، جدا کردن رنگ‌ها، پیدا کردن خط و دایره و چرخاندن یا صاف کردن عکس. خروجی پردازش تصویر معمولا هنوز یک تصویر است، فقط تمیزتر یا ساده‌تر. بینایی ماشین یک قدم جلوتر می‌رود و از تصویر نتیجه می‌گیرد: «این قطعه ترک دارد» یا «این خودرو با این پلاک وارد شد».

چرا هنوز پردازش کلاسیک را یاد می‌دهند؟

مدل‌های یادگیری عمیق امروز بیشتر کار تشخیص را انجام می‌دهند، اما سه دلیل باعث می‌شود پردازش کلاسیک کنار نرود:

• آماده‌سازی داده: عکس کج، تار یا کم‌نور پیش از رسیدن به مدل باید اصلاح شود.
• سخت‌افزار ضعیف: روی یک برد کوچک گاهی یک آستانه‌گذاری ساده سریع‌تر و مطمئن‌تر از یک شبکه عصبی است.
• درک خطا: کسی که بداند فیلتر و لبه و هیستوگرام چیست، زودتر می‌فهمد چرا مدلش در نور عصر خطا می‌کند.

یکی از آگهی‌های آبان ۱۴۰۵ صریحا مفاهیم blur، sharpening، thresholding و edge detection را در شرح کار آورده بود. دوره‌های جامع OpenCV هم همین ترتیب را دارند: اول تصویر دودویی و فیلتر، بعد تبدیل هندسی و بخش‌بندی، و آخر یادگیری عمیق.

متلب یا پایتون؟

استاندارد پردازش تصویر فنی و حرفه‌ای با متلب درس داده می‌شود و در دانشگاه هم متلب رایج است. در آگهی‌های استخدام اما زبان اصلی پایتون است: ۲۰ آگهی از ۲۴ آگهی پایتون را نام برده‌اند و متلب فقط در ۲ آگهی سخت‌افزاری آمده بود. متلب برای فهم ریاضی کار خوب است؛ برای کار، کد پایتون و OpenCV لازم است.

OpenCV کتابخانه‌ای رایگان و متن‌باز برای کار با تصویر و ویدیو است که با پایتون و C++ کار می‌کند. در شمارش آبان ۱۴۰۵، ۱۷ آگهی از ۲۴ آگهی بینایی ماشین آن را نام برده بودند؛ یعنی بعد از پایتون، پرتکرارترین ابزار این شغل است. یک دوره خوب OpenCV باید این بخش‌ها را داشته باشد:

• خواندن و نوشتن: باز کردن عکس، گرفتن فریم از وب‌کم یا فایل ویدیو و ذخیره خروجی.
• تصویر دودویی و مورفولوژی: سیاه و سفید کردن، پر کردن سوراخ‌ها و جدا کردن شیء از زمینه.
• فیلتر و بهبود تصویر: حذف نویز، تیز کردن و اصلاح نور.
• تبدیل هندسی و ویژگی: چرخاندن، صاف کردن عکس کج و پیدا کردن نقطه‌های مشترک دو تصویر.
• بخش‌بندی و ردیابی: جدا کردن ناحیه‌ها و دنبال کردن یک شیء در ویدیو.
• یادگیری عمیق داخل OpenCV: اجرای یک مدل آموزش‌دیده روی تصویر.

سه پروژه که نمونه‌کار می‌شوند

کارفرما بیشتر از گواهی دوره، کد و نتیجه می‌خواهد. سه پروژه کوچک که هر کدام یکی از کارهای واقعی آگهی‌ها را نشان دهد، از یک گواهی بیشتر حرف می‌زند:

• شمارنده: شمردن قطعه یا آدم در یک ویدیو با OpenCV و یک مدل YOLO آماده.
• بازرسی کیفیت: تشخیص ایراد ساده مثل خط یا لکه روی عکس قطعه، با پردازش کلاسیک و بعد با مدل عمیق، و مقایسه دقت دو روش.
• اجرا روی دستگاه: همان مدل روی Raspberry Pi یا یک لپ‌تاپ معمولی، با گزارش تعداد فریم در ثانیه.

کد هر پروژه را با توضیح کوتاه داده‌ها، روش و خطاها در GitHub بگذار. ۸ آگهی از ۲۴ آگهی Git را خواسته بودند و ۳ آگهی صریحا نمونه‌کار یا صفحه GitHub طلب کرده بودند.

بعد از این چهار مورد، یادگیری عمیق یا CNN در ۱۵ آگهی، تشخیص یا بخش‌بندی شیء در ۱۱، لینوکس و کار با دوربین هر کدام در ۹، YOLO در ۷ و ردیابی در ویدیو در ۶ آگهی آمده بود. محیط صنعتی یا کارگاهی در ۷ آگهی دیده شد.

نکته مهم این شمارش سهم سخت‌افزار است. بیش از نیمی از آگهی‌ها می‌خواهند مدل روی دستگاه واقعی اجرا شود، نه فقط در یک دفترچه کد. ۴ آگهی از ۲۴ آگهی اصلا برنامه‌نویس نرم‌افزار نمی‌خواستند و دنبال مهندس الکترونیک، FPGA یا درایور لینوکس با دانش پردازش تصویر بودند. یعنی این حوزه برای فارغ‌التحصیل برق هم در باز دارد.

یک آگهی هم برای نشانه‌گذار داده بود: کسی که روی تصویر و ویدیو کادر و مرز شیء بکشد، با پیشنهاد ۳۰ تا ۴۰ میلیون تومان در تهران. این کار برنامه‌نویسی نمی‌خواهد و برای آشنایی با چرخه داده بینایی ماشین راه ورود کوتاهی است، اما خودش مهندسی نیست.

دریافتی عددی است که شاغلان گفته‌اند پایان ۱۴۰۴ واقعا گرفته‌اند. درخواستی عددی است که جویندگان کار در ۱۴۰۵ خواسته‌اند و همیشه بالاتر است. پیشنهاد آگهی بازه‌ای است که کارفرما در آگهی نوشته؛ فقط ۱۰ آگهی از ۲۴ آگهی عدد داده بودند، پس این ستون نشانه است، نه میانگین بازار.

در سطح کارشناس، کف پیشنهادها ۳۰ تا ۷۰ و سقف آن‌ها ۴۰ تا ۸۰ میلیون تومان بود و میانه به ۳۵ تا ۵۰ رسید؛ همان جایی که میانه دریافتی و درخواستی کارشناس تهران نشسته است. دو عدد بالاتر هر دو توضیح داشتند: ۶۰ تا ۷۵ برای کار تعبیه‌شده و ۷۰ تا ۸۰ برای کار دورکاری تحلیل ویدیو روی گوشی.

چه چیزی حقوق را بالا می‌برد؟

• سخت‌افزار: بالاترین پیشنهاد سطح ارشد، ۸۷ تا ۱۳۰ میلیون تومان، برای پیاده‌سازی الگوریتم تصویر روی FPGA با دست‌کم ۵ سال سابقه بود.
• کار روی دستگاه: آگهی کار تعبیه‌شده ۶۰ تا ۷۵ و آگهی تحلیل ویدیو روی گوشی ۷۰ تا ۸۰ پیشنهاد داده بودند، بالاتر از میانه سطح کارشناس.
• مسئولیت کامل: یک آگهی مهندس یادگیری ماشین کاربردی که مسئولیت همه مدل‌ها و زیرساخت آن‌ها، از جمله تحلیل ویدیو، را می‌خواست ۲۰۰ تا ۲۶۰ میلیون تومان نوشته بود؛ این عدد استثناست و نباید مبنای انتظار باشد.
• شهر: ۲۰ آگهی از ۲۴ آگهی در تهران بود و فاصله دریافتی کارشناس تهران با شهرهای کوچک در گزارش ۱۱ میلیون تومان است.

کارفرمای این شغل بیشتر شرکت‌های کوچک فنی هستند تا سازمان‌های بزرگ: شرکت‌های دانش‌بنیان نظارت تصویری و امنیت، سازندگان ربات و پهپاد، شرکت‌هایی که برای صنعت سامانه بازرسی می‌سازند و تیم‌های نرم‌افزاری که برای بازار خارج محصول می‌سازند. ۲۴ آگهی از ۲۳ کارفرما بود و هیچ کارفرمایی بیش از دو آگهی نداشت.

شرط‌های آگهی‌ها

• شهر: ۲۰ آگهی در تهران و هر کدام یک آگهی در اصفهان، ارومیه، نیشابور و زرقان. ۳ آگهی دورکاری را پذیرفته بودند.
• سطح: ۱۵ آگهی سطح کارشناس و ۹ آگهی کارشناس ارشد؛ هیچ آگهی کارآموزی در این ۲۴ آگهی نبود. راه ورود تازه‌کار بیشتر آگهی‌های کارآموزی هوش مصنوعی عمومی است که بینایی را هم در فهرست کار دارند.
• جنسیت: ۱۶ آگهی نوشته بودند تفاوتی ندارد، ۳ آگهی فقط آقا و ۴ آگهی ترجیحا آقا، و یک آگهی ترجیحا خانم.
• سربازی: ۶ آگهی پایان خدمت را شرط کرده بودند.
• سن: ۱۳ آگهی سقف سن داشتند؛ رایج‌ترین سقف‌ها ۳۵ و ۴۰ سال بود.
• مدرک: رشته‌هایی که آگهی‌ها پذیرفته بودند بیشتر کامپیوتر و فناوری اطلاعات (۱۹ آگهی) و مهندسی برق (۱۱ آگهی) بود، بعد مکانیک و ریاضی. ۵ آگهی در متن، کارشناسی ارشد یا دکتری را شرط کرده بودند.

سربازی در شرکت دانش‌بنیان

برای پسرانی که هنوز سرباز نرفته‌اند، امریه شرکت‌های دانش‌بنیان یک راه است. طبق رویه مرداد ۱۴۰۵، داوطلب باید دست‌کم کارشناسی داشته باشد، پیش از درخواست دو ماه بیمه تمام‌وقت آن شرکت را داشته باشد و خدمت ۲۴ ماه طول می‌کشد. هر شرکت فقط ۳ تا ۴ سهمیه دارد، پس باید زودتر از پایان تحصیل با شرکت در ارتباط بود.

اینترنت و دورکاری

آموزش مدل‌های تصویری به دانلود داده‌های بزرگ و مدل‌های آماده نیاز دارد. اینترنت از دی ۱۴۰۴ دچار اختلال شدید شد و از اسفند ۱۴۰۴ تا خرداد ۱۴۰۵ تقریبا قطع بود. حتی پیش از آن، بر پایه یک نظرسنجی ۱۴۰۳، برنامه‌نویس‌های ایرانی حدود یک دهم روز کاری را به خاطر تحریم و فیلترینگ از دست می‌دادند. پس داده و مدل‌هایی را که لازم داری از پیش روی دستگاه خودت نگه دار و کار با مدل‌های کوچک را تمرین کن.