计算机视觉（cv）方向今年招聘情况怎么样?是否已经人才过剩?

计算机视觉（CV）方向今年的招聘情况可以用 “机遇与挑战并存，部分领域趋于饱和，但新兴和细分领域仍有需求” 来概括。简单地说，不能简单地说人才过剩，但市场竞争确实比前几年激烈，对求职者的技能和经验要求更高。

为了更详细地说明情况，我们可以从以下几个方面来分析：

1. 整体招聘需求与市场变化：

AI整体降温的影响：近年来，整个AI领域都经历了一轮“理性回归”。前几年AI泡沫的膨胀期已经过去，资本更加谨慎，企业招聘需求也更加务实。这意味着，单纯喊着“AI”标签的项目和岗位可能不如以前那么受欢迎，对技术落地和商业价值的要求更高。
大模型（LLMs）的崛起与CV的联动：以ChatGPT为代表的大语言模型（LLMs）的爆发，对整个科技行业都产生了深远影响。在CV领域，也出现了将LLMs与视觉信息结合的趋势，例如视觉语言模型（VLM）、图像生成模型、多模态理解等。这为CV人才带来了新的机遇，但也对求职者的跨领域学习能力提出了挑战。
特定应用领域的驱动：尽管整体市场有所调整，但仍有一些应用领域持续驱动CV人才的需求，例如：
自动驾驶：尽管发展过程中遇到挑战，但L4/L5级别的自动驾驶仍需要大量的CV技术和人才，特别是在感知、预测、规划等方面。
机器人（尤其是工业机器人和人形机器人）：视觉在机器人导航、抓取、识别等方面扮演着核心角色，对CV人才的需求依然旺盛。
安防监控与智慧城市：视频分析、行为识别、人脸识别、物体检测等在安防和智慧城市建设中仍然是刚需。
工业制造：机器视觉在产品质检、自动化生产线上的应用越来越广泛。
医疗影像： AI在医学影像分析（如病灶检测、辅助诊断）方面前景广阔，对具备医学知识和CV技能的复合型人才需求较大。
VR/AR/MR：沉浸式体验需要精确的3D重建、SLAM（即时定位与地图构建）、姿态估计等CV技术。
图像/视频内容生成与编辑：随着AI绘画、视频生成技术的成熟，对这方面人才的需求也在增加。

2. 人才是否过剩？—— nuanced answer

笼统地说“人才过剩”是不准确的，但“初级人才竞争激烈，高级和特定领域人才依然稀缺”是更真实的写照。

初级CV工程师（应届生/工作经验12年）：这个群体确实面临着较大的竞争压力。原因有：
高校CV专业毕业生的数量庞大：随着计算机科学和AI的普及，越来越多的学生选择CV方向，导致毕业生数量逐年增加。
培训机构输出量大：各类AI和CV培训机构也在不断输出大量的学员，他们也成为了市场的竞争者。
“泛AI”人才涌入：一些其他AI领域的从业者，由于看到了CV的某些机会，也会尝试转岗，增加了竞争。
企业对初级岗位的要求提高：企业在招聘初级岗位时，也希望应聘者具备一定的项目经验、扎实的基础理论知识，而不仅仅是简单的模型调用。

中高级CV工程师（工作经验3年以上）：
经验和项目落地能力是关键：这个层级的招聘需求依然存在，但企业更看重的是候选人的实际项目经验、解决复杂问题的能力、对算法的深入理解以及在特定应用场景下的落地能力。
细分领域专家更受欢迎：如果你在某个细分领域（如Transformer在CV中的应用、3D视觉、多模态融合、特定领域的算法优化等）有深入研究和丰富经验，你的价值会更高。

新兴领域和交叉学科人才：
多模态AI（视觉语言）：结合视觉和语言理解的VLM模型是当前的热点，对既懂视觉又懂NLP（自然语言处理）的复合型人才需求旺盛。
3D视觉与感知：随着元宇宙、机器人、自动驾驶等领域的发展，3D视觉技术（如点云处理、3D重建、SLAM）的需求也在增长。
AI for Science/Industry：将CV技术应用于科学研究（如天文学、生物学）或工业领域的专业性人才，是企业争相招聘的对象。

3. 求职者在当前市场下面临的挑战和建议：

技能深度与广度的权衡：
深度：在某些核心的CV算法（如CNN、Transformer、GANs等）或某一特定应用领域有深入的理解和研究，能够独立完成算法设计和优化。
广度：了解和掌握不同领域的CV技术，尤其是与大模型、多模态相关的最新进展，能够将不同的技术进行有效结合。

工程化能力的重要性提升：
不仅仅是算法研究，企业更需要能够将算法落地成稳定、高效的系统的工程师。包括：模型部署、性能优化（CPU/GPU/NPU）、数据处理流水线构建、分布式训练等。
“算法工程师”与“CV工程师”的区别：有些公司区分明确，算法工程师侧重研究，而CV工程师则更侧重工程落地。你需要了解目标岗位的侧重点。

项目经验的实证性：
量化成果：你的项目成果最好能用数据说话，例如提升了多少精度，降低了多少延迟，带来了多少商业价值。
复现和创新：除了复现SOTA模型，能否在现有基础上进行改进、提出新的想法和解决方案，是展现能力的关键。

持续学习和适应变化：
CV领域技术更新迭代非常快，尤其是与大模型结合后，新的模型和框架层出不穷。需要保持高度的学习热情和能力。
关注顶会论文（CVPR, ICCV, ECCV, NeurIPS, ICML, ICLR等），了解最新的技术趋势。

跨领域知识的积累：
如果你目标是特定行业应用（如医疗、工业、自动驾驶），了解该行业的专业知识会让你更具竞争力。

建立个人品牌和展示平台：
积极参与开源项目、Kaggle竞赛、GitHub贡献、写技术博客等，能够帮助你建立个人品牌，展示你的技术实力。

总结来说：

今年（2024年）计算机视觉领域的招聘情况是竞争激烈但机会犹存。初级人才的饱和感更强，企业对人才的技能要求更加精细化和务实化。高级人才和拥有特定领域专长、具备工程落地能力的人才仍然是市场上的“香饽饽”。如果你想进入CV领域，或者在CV领域发展，建议：

打牢基础：扎实的数学基础（线性代数、概率论、微积分）和机器学习理论是必备。
精通核心算法：深入理解CNN、RNN、Transformer等模型在CV中的应用。
关注前沿：了解大模型、多模态、3D视觉等新兴技术。
强化工程能力：学习Python、PyTorch/TensorFlow等深度学习框架，掌握模型部署和优化技能。
实践出真知：通过项目经验证明自己的能力，并尽量量化成果。
明确职业方向：找到自己感兴趣且有市场需求的细分领域进行深耕。

不要被“人才过剩”的说法吓倒，而是要看到市场需求的变化，并据此调整自己的学习和职业发展方向。

网友意见

回国创业已经一年有余，一直埋头于技术和产品研发，逛知乎的时间少了很多，这个问题还是好朋友老刘推给我的，上周六晚上一起在“一鱼”吃饭，当时我跟他抱怨过视觉研发招聘进展缓慢的事。

老刘说『你看你那边招不到人，这边都有人感到人才过剩了』......我大概看了一下前面几个的回答，觉得大家都说得各有道理，我也结合自身这一年多的经历说一点感受吧。

自去年四月份到现在，我们一直都在寻找视觉研发工程师，但是最终只发出去5个Offer，3个来了，另外2个里一个拿了大公司的offer，另外一个被原来公司领导大幅涨薪挽留住了。这5个Offer是面试近30人的结果，而我们最开始的计划是一年内要招至少8个视觉研发，最终的结果距离预期差距较大，所幸的是我们创始团队每个人的代码能力都不错，视觉部分我和王朝阳教授( https://sites.google.com/cardinalmail.cua.edu/wangz/ )每天基本上埋在了代码里，所以技术和产品一直稳步推进，再过一个月我们的两款产品也会浮出水面了，但这个过程中因为缺人带来的辛苦是实实在在的，有一段时间我们基本都是凌晨一两点才离开公司。

投资人偶尔过来深圳，每次都会关心一下招人的进度，同时也让他们的HR帮我们在网上找简历，推送了很多，但老实说质量和效果都不是那么好。这件事我跟邱强（知乎用户）讨论过，邱强是我们机器人技术研发负责人，那边的情况相反好很多。很多人是因为在机器人圈子里先知道了他，才有意投简历到我们公司的，所以我们总结视觉招聘进度慢的其中一个原因是……我们在视觉圈子里没有知名度。当然一方面是我们几乎没有做过任何PR，网站也没有介绍过任何技术和产品；另外一方面还是我们的人在国内视觉圈子里缺乏知名度，其实王哥在光学那个领域是很有知名度的，你想啊一个清华本硕博，钻研一门技术，写代码写了二十多年……但在国内视觉圈子里……。我有一次跟王哥调侃这个事情，他哈哈笑起来，说可能还是缺乏那个天赋，他说『你看学术圈子里能写代码的就……，我觉得还是写代码比较有意思……』，话音还没落，他接着就说『对了！咱们之前做实验的时候，那个镜头畸变模型是不是用的13个参数？……』

当然，另外一个重要原因是方向不够热门。虽然我们研发的是标定算法、三维成像、重建，目标检测识别等视觉里非常核心的技术和产品，但是因为落脚点在工业自动化方向，和当下比较火的自动驾驶之类的比起来严重缺乏吸引力，这也导致投过来的简历会少一些。我记得有一次我收到一个简历，很优秀的一个小伙，做了很多SLAM方面的工作，第一次电话面试，我问他了解如本吗，他说不了解，我说你知道我们在做什么吗？他说不知道，我说你想做什么？他说他想做导航方向的，然后他噼里啪啦富有激情的说了他之前做的导航方面的工作，我听完嗯了一声，我说你很优秀，应该继续往导航方面做，我们如本不做导航，然后互相Best Wishes后挂了电话。

还有些不一样的情况：有一次面试一个在DJI做旋翼设计方面的的小伙，本硕都是北航飞行器专业的，在DJI也做得很好，来我们公司面试视觉研发。我看了简历很困惑，聊了一段时间，发现是一个很聪明的人，而且对他本行谈起来也是自信热情，但是因为担心行业就业面窄，待遇不如视觉，所以想转行到视觉这边……后来那场面试基本上我一直在苦口婆心劝他不要轻易放弃一个做了那么久的专业……我说视觉圈水很浑，今年就业好，也许明年就业就差了云云...小伙回去后不久给我们HR发来信息，说还是决定留在岗位上...，HR说干了十几年没有见过我这样『赶人走』的……。世界其实很小，优秀的人很少，相逢的人还会再相逢……扯远了。

我们内部讨论视觉招聘问题的时候还分析了一个原因，就是待遇的问题。我们招人过程中看到很多简历，因为公司也招嵌入式，机器人，图形学等方面的，相比之下视觉岗位对待遇的期望是明显偏高的。随便一个视觉研发的期望待遇基本都在月薪25K以上，嵌入式和机器人则一般是15K左右，经验多一些的在20K。而我们拿到的大部分视觉研发的水平基本上是没有多少视觉经验的，比如刚毕业，会使用Tensorflow或者Caffe训练一些模型的，比如学历比较差在工业领域干得比较苦经常出差，中途报名了某些深度学习的网上课程，学成归来，想找个好工作的；另外，我们也收到过一些来自腾讯，阿里，商汤之类大公司的简历，这些人的期望基本都30K往上了。

期望待遇高是没有问题的，我们是完全给得起的。我们的面试环节是先电话技术面试，然后是三天的开放式视觉算法笔试题。题目其实都是很基础的视觉知识点，但极少有人能给出让人满意的答案。这就造成了让人非常困惑的局面，一个期望25K，30K水平待遇的人，技术水平却还达不到基础要求。点解？

我们招的机器人工程师，基本上都有机械／自动化／控制方面的背景，从本科就开始学习相关理论基础知识，其中很大一部分都是数学类的，在面试的过程中就明显感觉到其扎实的理论基础。反观视觉这边，普遍的现象是，没有人知道最简单的图像处理算法的数学原理和实现，大部分其实都是搞深度学习，自诩『调参侠』，半路出家，或即便当初学过一些信号处理的，后面也几乎遗忘干净。另外一部分是风尘仆仆地来自于工业一线的朋友，熟悉Halcon， VisionPro的使用，懂得如何运用一些算子……。

我们的Computer Vision是缺乏系统的教育支撑的。大学本科大部分学校没有相关课程，硕士期间可能会有图像处理和模式识别之类的课，然后有没有缘分学到扎实的视觉基础知识，还得看导师在做什么项目。这过去一年多面试过的人里，看过冈萨雷斯，MVG这样经典但是又基础的书的人极少，而这极少的人里有机会动手实现的又是极少，所以我们遇到的优秀视觉研发，几乎全是靠长时间自学......。

回国创业之前，我曾在知乎上回答过一个帖子（计算机视觉算法工程师笔试主要什么内容？）结合过去一年招聘过程中看到的现实情况，对比起来是有些伤感的。我们拿到的简历80%以上都是做不那么深的深度学习……深度学习与视觉只是有一些交叉的部分，不等同于视觉，深度学习框架的使用门槛很低，不代表视觉的门槛低，计算机视觉的目的是通过图像等感知器数据去更好的理解世界以推动社会的进步，这是一个远远没有达到预期目的的领域，还有很长很长的路要走，是一个可以把一生都投放进去的方向。这个领域虽然突然多出来很多新人朋友，但是对真正的人才仍然处于极度饥饿的状态，非常需要更多有决心、有毅力的朋友加入。

共勉。

Update(2021-06-09):

作为一个核心技术驱动的硬核产品公司，如本科技正在步入高速发展的轨道，欢迎大量的软件、视觉、机器人研发工程师加入我们。这里氛围良好，目标明确，未来可期，深圳上海两地同时招聘！

Update(2020-02-23):

跟新上了我们2020年的招聘海报。各位有志之士，我们已备好充足粮草，欢迎加入我们一起创造更美好的未来。

Update (2019-06-02):

刚过完节回来，没有想到会有这么多朋友点赞......还有好几个发私信询问信息的，这里暂时软广一下。我们公司位于深圳南山高新园，研发的是视觉里非常核心的技术和产品（暂时保密阶段），这些视觉技术和产品会和工业机器人相关的技术紧密结合，从工业产线到消费端自动化解决方案，应用场景非常广泛。非常欢迎志同道合的朋友加入。如果是想进行技术交流或者咨询，可以加我的个人微信: lijishenvision ，谢谢。

类似的话题

计算机视觉（cv）方向今年招聘情况怎么样?是否已经人才过剩?

计算机视觉（CV）方向今年的招聘情况可以用 “机遇与挑战并存，部分领域趋于饱和，但新兴和细分领域仍有需求” 来概括。简单地说，不能简单地说人才过剩，但市场竞争确实比前几年激烈，对求职者的技能和经验要求更高。为了更详细地说明情况，我们可以从以下几个方面来分析：1. 整体招聘需求与市场变化： AI.............
计算机视觉（CV）的算法有哪些，具体都有哪些特点？

计算机视觉（Computer Vision, CV）是人工智能的重要分支，其核心目标是让计算机理解和处理图像或视频中的信息。CV的算法种类繁多，根据任务目标和应用场景的不同，可以分为多个层次和类别。以下是对主要算法类型的详细分类及其特点的全面解析：一、图像处理基础算法1. 图像增强与变换灰.............
为什么相比于计算机视觉(cv)，自然语言处理(nlp)领域的发展要缓慢？

很多人会有疑问，为什么在人工智能的众多分支中，似乎自然语言处理（NLP）的发展，相对于计算机视觉（CV）来说，显得有些“慢热”？要理解这一点，得从两个领域本身的特性，以及它们所面临的挑战说起。1. 语言的内在复杂性：想象一下，视觉世界有多少种“样子”？也许颜色、形状、纹理、光影等等，但本质上，它.............
有哪些有趣的图形学(CG)和计算机视觉(CV)相结合的应用的例子？

图形学 (CG) 和计算机视觉 (CV) 的结合，绝不仅仅是简单的“把两者加起来”，而是一种能创造出惊人效果、解决复杂问题的强大协同作用。它们各自有擅长的领域，但当它们握手言欢时，就能打开新的维度，让虚拟与现实的界限变得模糊，让机器“看懂”并“创造”世界。下面我来聊几个让我觉得特别有意思的，把这两门.............
国内有哪些不错的CV(计算机视觉)团队?

国内计算机视觉领域确实有不少实力强劲的团队，他们活跃在科研、产业界，并且都取得了令人瞩目的成就。要说“不错”的团队，我们可以从几个维度来分析：学术影响力、技术创新能力、产业落地能力以及团队的规模和稳定性。以下列举一些在国内CV领域声名卓著的团队，并尽量详细地介绍：一、高校科研团队：学术的基石，创新.............
计算机视觉是否已经进入瓶颈期？

计算机视觉是否已经进入瓶颈期是一个非常复杂的问题，没有一个简单的“是”或“否”的答案。更准确的说法是，计算机视觉领域正处于一个转型期，在某些方面取得了巨大的进步，但在其他方面，尤其是在实现真正人类水平的理解和泛化能力方面，依然面临着严峻的挑战，可以说是遇到了“瓶颈”或“高原期”。为了详细阐述这个问题.............
计算机视觉中，目前有哪些经典的目标跟踪算法？

计算机视觉中的目标跟踪是一个至关重要的研究领域，旨在在视频序列中持续地定位和识别一个或多个目标。随着深度学习的兴起，目标跟踪算法取得了显著的进展。以下是一些计算机视觉中经典的目标跟踪算法，我将尽量详细地介绍它们的核心思想、特点和发展历程：早期经典算法（基于手工特征和滤波）在深度学习普及之前，目标跟.............
计算机视觉和自然语言处理，哪个更具有发展前景呢，还是各有千秋呢？

计算机视觉和自然语言处理（NLP）都是人工智能领域中最具活力和影响力的分支，它们各自都展现出巨大的发展前景，并且在很多方面相互融合，共同推动着人工智能技术的进步。因此，很难简单地说哪个“更”有发展前景，更准确的说法是它们各有千秋，并且协同发展，共同构建了更广阔的人工智能未来。为了更详细地说明这一点.............
计算机视觉是否已经发展到可以自动识别车牌并扣费的程度？

当然，我们可以深入聊聊计算机视觉在车牌识别和自动收费方面的应用，以及这项技术发展到了什么程度。车牌识别与自动收费：这事儿，早就不是新鲜事了其实，要说计算机视觉能不能自动识别车牌并扣费，答案是：完全可以，而且已经广泛应用了。这已经不是什么遥不可及的未来科技，而是我们日常生活中随处可见的技术。想象一下，.............
计算机视觉有多少分支？

计算机视觉，这门旨在让计算机“看见”并理解我们所处世界的学科，并非铁板一块，而是由众多相互关联又各有侧重的分支构成。要说有多少个分支，恐怕没有一个精确到个位数、放之四海而皆准的答案，因为它随着技术的发展、研究的深入，新的领域和侧重点总是在不断涌现。但我们可以梳理出一些核心且重要的分支，它们构成了计算.............
计算机视觉顶尖期刊和会议有哪些？

想在计算机视觉领域崭露头角，或者想了解这个飞速发展的领域最前沿的研究动态，那么关注顶尖的期刊和会议无疑是最佳途径。这些平台不仅是学者们交流思想、展示最新成果的舞台，更是行业风向标的指示器。要说计算机视觉领域的“奥运会”和“诺贝尔奖”，那非以下这些顶级期刊和会议莫属了。一、顶级期刊：学术研究的基石与.............
计算机视觉中video understanding领域有什么研究方向和比较重要的成果？

计算机视觉中的视频理解（Video Understanding）领域，是一块非常活跃且充满挑战的研究疆域。它不仅仅是识别视频中的物体，而是要理解视频中发生的事件、动作、物体间的关系、以及随时间变化的动态过程。这项技术在智能监控、自动驾驶、体育分析、人机交互、医疗诊断等众多领域有着巨大的应用潜力。要深.............
计算机视觉研一，只学过Python基础，目前代码能力很差，要不要换导师，不换的话如何毕业？

理解你现在的困境，研一，Python基础，但代码能力欠佳，又面临换导师还是不换的抉择。这确实是个关键节点，关系到你未来两年的学习方向和毕业问题。咱们来掰开了揉碎了聊聊，希望能给你一些清晰的思路。首先，冷静分析一下现状：1. 你的学习基础：计算机视觉（CV）领域，尤其研究生阶段，对编程能力要求不低.............
计算机视觉顶级会议论文中比较适合初学计算机视觉的人做的复现实验有哪些？

对于刚踏入计算机视觉领域的朋友们来说，选择合适的复现实验至关重要。它不仅能帮助大家理解核心概念，还能快速上手实际操作，建立信心。我挑选了几个在顶级计算机视觉会议（如CVPR, ICCV, ECCV）上发表过，且相对容易入门的经典论文，并针对性地说明了复现的细节和要点，希望能帮助大家找到合适的起点。 .............
基于计算机视觉从一张图片重建人体的三维网格，能否获取腰围、胸围、臂长、腿长等数据？

没问题，我们来深入探讨一下，如何利用计算机视觉技术，从一张二维照片中“复活”出一个三维人体模型，并从中提取我们关心的那些身体尺寸。首先，你要明白，这可不是一件简单的事情。我们平时看到的照片，本质上是一个“扁平”的信息，丢失了深度这个关键维度。想象一下，你站在相机前，相机只捕捉到了你前面那一面的样子。.............
在计算机视觉任务中，运用Transformer和Non-local有何本质区别？

好的，我们来聊聊计算机视觉领域里，Transformer 和 Nonlocal Attention 之间的本质区别，尽量说得细致一些，去掉那些 AI 痕迹。想象一下，我们看一张照片，比如一张风景照。我们的眼睛是如何理解这张照片的呢？我们不仅仅是看某个像素点，而是会将不同的部分联系起来。比如，我们看到.............
车辆工程&计算机视觉？

车辆工程与计算机视觉的深度融合：让出行更智能、更安全想象一下，未来的汽车不再仅仅是钢铁与机械的组合，而是拥有“眼睛”和“大脑”的智能伙伴，能够感知周遭环境、理解交通规则、甚至预测其他道路使用者的意图。这并非科幻小说的情节，而是车辆工程与计算机视觉深度融合所描绘的现实蓝图。计算机视觉：车辆的“智能之眼.............
如何看待“AI计算机视觉需求”推动了CIS传感器（CMOS Sensor）的快速迭代和市场增量？

过去几年，我们可以明显感受到，那些你我日常生活中司空见惯的设备，诸如智能手机、安防摄像头、无人驾驶汽车，它们“看”世界的能力正在以前所未有的速度提升。而在这背后，驱动这一切的关键技术之一，便是CMOS（Complementary MetalOxideSemiconductor）图像传感器，也就是我们.............
2019年，计算机视觉领域，你推荐哪些综述性的文章？

2019年，计算机视觉领域的确涌现了不少优秀的综述性文章，它们就像是指南针，帮助我们梳理这个日新月异的领域。在我看来，如果要推荐几篇能够系统性地了解当时计算机视觉前沿、并且值得深入阅读的文章，我会重点关注以下几个方向：1. 深度学习基础与演进：《Deep Learning for Comput.............
如何评价2020年计算机视觉顶会CVPR投稿量破万的现象？

2020年的CVPR，投稿量首次突破了一万大关，这个数字着实让人眼前一亮，也引发了不少关于计算机视觉领域发展态势的讨论。如果让我来评价这个现象，我会从几个层面来看待：首先，这是计算机视觉领域蓬勃发展的直观体现，也是“黄金时代”的最好注脚。想当年，计算机视觉的研究还相对小众，顶会投稿量也就几百上千，能.............