188****4537niu****@***.com北京28男AI图像训练师在职北京18k-25k 
•系统学习了《深度学习与图像理解》《数据标注工程》《模式识别》等核心课程，并主导完成“基于VGG16的医疗影像细胞分类”课程设计，从原始图像采集、标注规范制定到模型微调全流程实践，最终获得学院优秀课程项目奖。
•在“互联网+”大学生创新创业大赛中，带领团队开发了基于多模态大模型的古籍图像修复与标注系统，负责数据治理与标注工作流设计，通过引入主动学习机制显著提升标注效率，斩获省级银奖。
北京深度视觉科技有限公司 - AI研发部AI视觉解决方案提供商国家高新技术企业
2018.07-2021.06
AI图像训练师图像模型训练深度学习框架模型调优与评估
北京
•从0到1搭建图像训练流水线，统筹数据采集、标注规范制定、模型训练及部署评估全流程，为多个客户交付了定制化的图像识别解决方案，平均交付周期缩短20%。
•针对工业质检场景图像数据噪声大、类别不均衡等问题，重构数据预处理链路，引入动态采样与混合增强策略，使有效训练样本量扩充至原来的2.5倍，模型在缺陷检测上的召回率提升至93%。
•与算法研究团队协同攻关，将ViT与轻量化卷积网络结合，针对移动端推理场景优化模型结构，在保证精度前提下将模型体积压缩40%，成功落地于某智能零售柜的商品识别模块。
•建立训练质量度量体系，定义数据质量指数、训练健康度等指标，打通从数据到模型的全链路可视化监控，推动训练问题平均定位时间降低60%。
北京智眸图像技术有限公司 - AI图像训练中心AI智能图像处理领军企业拥有自主知识产权
2021.07-2023.06
资深AI图像训练师图像训练项目统筹技术方案定制技术创新与引入
北京
•带领6人训练小组承接大型客户定制化项目，为某头部物流企业打造包裹自动分拣视觉系统，攻克了密集小目标检测与遮挡难题，系统上线后分拣效率提升35%，客户复购率超过80%。
•主导构建公司内部图像训练最佳实践库，沉淀了覆盖数据标注、模型选型、调参经验、故障复盘等维度的技术文档与案例集，并配套内部培训课程，新人上手项目时长平均缩短至2周。
•追踪并引入DINOv2、SAM等前沿视觉基础模型，结合业务场景进行微调与适配实验，在少样本缺陷检测任务上取得突破，验证了通用视觉特征在工业场景的迁移潜力，为后续产品路线提供了关键输入。
•建立团队成长阶梯计划，通过每周技术沙龙、代码review与项目轮岗，系统提升成员在数据工程、模型训练及工程化方面的能力，一年内团队输出有效技术专利3项，核心成员晋升率超过30%。
•该项目旨在为一家大型仓储物流企业构建货品自动识别与分拣系统。
•前期主导了10万+仓储场景图像的精细化标注，定义了超过200个细粒度货品类别，并建立标注一致性校验机制，确保标注合格率达到98%以上。
•为解决仓储场景中光照多变、堆叠遮挡等问题，采用多尺度特征融合与注意力机制改进YOLOX模型，并引入域自适应策略，使模型在不同仓库环境下的迁移鲁棒性显著提升。
•设计并落地了基于主动学习的迭代训练流程，根据模型不确定性采样补充难例，使模型在仅增加20%标注成本的情况下，将尾类货品的识别准确率从58%提升至81%。
•最终交付的模型在真实仓库中7×24小时稳定运行，单件货品识别耗时小于100ms，系统整体分拣错误率降低至0.5%以下，成为客户数字化转型的标杆案例。
•参与某精密制造企业表面缺陷检测系统的图像训练工作。
•与质检专家合作，对高分辨率工业零件图像进行像素级缺陷标注，涵盖划痕、凹坑、毛刺等十余种缺陷类型，累计标注数据量5万+。
•针对工业缺陷样本稀缺且类间差异小的问题，设计基于GAN的缺陷图像生成方法与对比学习预训练策略，结合Few-shot学习框架，使模型在仅需少量真实缺陷样本的情况下，缺陷检出率即达到92%。
•搭建端到端训练与评估平台，集成了数据版本管理、自动超参搜索与模型压缩工具链，将单次实验周期从3天缩短至8小时，极大加速了模型迭代。
•经过多轮优化，模型成功部署于产线边缘设备，实时检测速度达到每秒30帧，缺陷漏检率低于1%，为客户每年节省质检人力成本超百万元。
对图像数据的秩序与美感有一种近乎偏执的在意，享受从杂乱像素中提炼出可被模型理解的结构，这种“数据洁癖”让我在AI训练中保持耐心与审慎。具备稳而不钝的行动风格，习惯在标注规范、模型选型与效果验证之间反复推敲，不轻易放过边界样本。善于拉通跨角色协作，擅长用简洁的表达把技术判断转化为团队可执行的共识，让训练流水线跑得更顺。持续跟踪多模态与生成式模型动态，乐于将新思路沉淀为可复用的训练策略，期待在AI训练师岗位上把热爱落成精准的模型表现。
数据标注规范与质量治理:
熟练搭建Label Studio、CVAT等平台的复杂标注流水线，并编写了图文并茂的《标注规范与异常处理手册》，将新人上手周期从3天缩短至半天。
构建了基于交叉验证与一致性校验的自动化质检流程，并引入困难样本回溯机制，将标注错误率稳定控制在2.5%以内，支撑了多个高精度图像分类模型的训练。
