从测试转开发三年，我用计算机视觉给简历加了点“料”
去年冬天，我在刷LeetCode刷到眼冒金星的时候，突然意识到一件事：光靠算法题和后端API接口，我的简历在AI岗位面前根本不够看。虽然现在干的是后端开发（主要用Go + Python写微服务），但作为曾经的测试工程师，我对系统稳定性、边界case和自动化流程有种近乎偏执的执着——这其实挺适合搞CV落地的，毕竟模型再牛，部署崩了也是白搭。
于是我一拍大腿：整一个能跑通全流程的计算机视觉项目，既能体现工程能力，又能塞进简历里当亮点。目标很明确：不堆论文术语，不调参到天亮，就做一个业务闭环清晰、部署可靠、效果可解释的小而美CV应用。顺便，还能帮团队解决一个实际痛点。
起因：产品经理又提了个“简单”需求
事情得从去年双11前说起。我们做电商后台，运营同学每天要审核成千上万的商品主图，确保没有违规内容（比如带二维码、联系方式、竞品logo等）。以前靠人工+关键词过滤，效率低不说，还经常漏审。某次上线前一天，产品甩过来一句：“能不能搞个AI自动筛图？就很简单那种，识别下有没有二维码就行。”
我心想：呵，又来。上次说“加个导出Excel功能，应该不难吧”，结果连分页+大数据量+权限校验搞了三天。但这次不一样——CV我刚好在学！而且这需求边界清晰：输入一张图，输出是否有二维码。完美！
更重要的是，这玩意儿真做出来了，绝对能写进简历的“项目经验”栏，比“优化Redis缓存命中率5%”听起来酷多了（虽然那个也重要）。
技术选型：别被花哨框架忽悠了
一开始我差点掉进陷阱。看到YOLOv8、SAM、Grounding DINO这些新模型，手都痒了。但冷静下来一想：我要的是快速交付+稳定运行，不是SOTA指标。而且我们后端是K8s + Docker环境，模型得能轻松打包部署。
最终方案定了三件套：
- 检测模型：OpenCV + ZBar（轻量、专精二维码）
- 备用兜底：PyTorch + 自训练的MobileNetV2分类器（用于模糊/遮挡场景）
- 后端服务：FastAPI（异步支持好，文档自动生成，调试爽）
为啥不用大模型？因为ZBar对标准二维码识别准确率接近100%，速度毫秒级，资源消耗几乎为零。只有当ZBar没检出但图像疑似有码时（比如局部遮挡），才走深度学习分支。这种“规则+AI”混合策略，在工业界其实很常见——别被学术圈带偏了节奏。
💡 血泪教训：不要为了用AI而用AI。能用正则解决的问题，就别上NLP；能用传统CV搞定的，先别急着训模型。
实战：从本地脚本到生产服务
Step 1：本地验证，快速原型
先写个Python脚本跑通逻辑：
import cv2
from pyzbar import pyzbar
def detect_qr(image_path):
image = cv2.imread(image_path)
decoded_objs = pyzbar.decode(image)
return len(decoded_objs) > 0
# 测试
print(detect_qr("test_img.jpg")) # True or False
跑了几百张内部数据，准确率98%+。剩下2%主要是二维码被P掉一半、或者印在反光材质上。这时候，就得靠兜底模型了。
Step 2：训练兜底分类器
我用公司脱敏后的10万张商品图（标注了“含码”/“无码”），拿MobileNetV2微调。关键不是模型多强，而是数据分布贴近真实场景。比如很多图是手机拍摄的，带阴影、模糊、角度倾斜——这些在公开数据集里很少见。
训练代码精简版：
import torch
from torchvision import models, transforms
model = models.mobilenet_v2(pretrained=True)
model.classifier[1] = torch.nn.Linear(model.last_channel, 2) # 二分类
# 数据增强针对电商图特点
transform = transforms.Compose([
transforms.RandomRotation(15),
transforms.ColorJitter(brightness=0.2, contrast=0.2),
transforms.Resize((224, 224)),
transforms.ToTensor(),
])
最终模型只有8MB，CPU推理约80ms，够用了。
Step 3：后端集成，考虑真实世界
这才是重头戏。作为前测试，我现在写代码第一反应就是：怎么让它挂不掉？
- 超时控制：单次请求不超过2秒，否则返回“处理超时，请重试”
- 资源隔离：CV模块单独起gunicorn worker，避免拖垮主服务
- 降级策略：如果GPU不可用（比如K8s节点故障），自动切回纯CPU模式
- 日志追踪：每张图打trace_id，方便排查误判
FastAPI接口长这样：
from fastapi import FastAPI, File, UploadFile, HTTPException
import time
app = FastAPI()
@app.post("/check_qr")
async def check_qr(file: UploadFile = File(...)):
start = time.time()
try:
contents = await file.read()
is_qr = hybrid_detect(contents) # 混合检测逻辑
# 记录耗时、结果、trace_id
logger.info(f"trace_id={trace_id} | duration={time.time()-start:.2f}s | result={is_qr}")
return {"has_qr": is_qr}
except Exception as e:
logger.error(f"Detection failed: {str(e)}")
raise HTTPException(status_code=500, detail="Internal error")
部署时还踩了个坑：OpenCV在Docker里默认不支持JPEG，得手动装libjpeg-dev。这种细节，文档从来不写，全靠报错信息猜。
性能与效果：数据说话
上线前做了压测，结果如下：
| 场景 | QPS | 平均延迟 | 错误率 |
|---|---|---|---|
| 纯ZBar（无码图） | 220 | 15ms | 0% |
| ZBar + 兜底模型（模糊码） | 45 | 180ms | 0.3% |
| 高并发（50并发） | 38 | 210ms | 0.5% |
准确率方面，在2000张测试集上：
- 召回率：96.7%（漏判3.3%，主要是极端遮挡）
- 精确率：99.1%（误判很少，运营可接受）
最爽的是，运营同学反馈：“以前一天审5000张图要3个人，现在AI初筛完只剩300张要人看。” 这种价值，比什么“提升系统吞吐量”直观多了。
写进简历：别只写“用了YOLO”
很多同学写CV项目，简历上就一句：“基于YOLOv5实现目标检测”。HR看了懵，技术面看了烦——你到底解决了什么问题？
我的写法是：
智能商品图审核系统（计算机视觉 + 后端工程）
- 针对电商场景设计混合检测方案：ZBar规则引擎 + MobileNetV2兜底模型，准确率96.7%，QPS 45+
- 实现FastAPI微服务，支持异步上传、超时熔断、日志追踪，日均处理12万+图片
- 通过Docker/K8s部署，资源占用降低60%（对比纯PyTorch方案），推动团队AI能力落地
重点突出：业务价值 + 工程细节 + 量化结果。面试官问起来，你也能聊清楚为什么选ZBar而不是直接上深度学习——这才是真实项目该有的样子。
跳槽视角：CV项目如何加分？
最近面了几家大厂，发现一个趋势：纯算法岗卷成麻花，但“懂落地的工程化AI人才”依然稀缺。尤其是后端+CV交叉背景，特别吃香。
我被问最多的问题不是“你调参技巧”，而是：
- “模型更新怎么灰度发布？”
- “如果线上误判率突增，你怎么排查？”
- “怎么保证服务SLA？”
这些问题，恰恰是我作为前测试+现后端最擅长的。比如我会说：“我们有AB测试管道，新模型先跑1%流量，对比旧版准确率+延迟，达标后再全量。” 这种回答，比背ResNet结构有用多了。
所以如果你也在准备跳槽，别光刷《百面机器学习》。做个能跑在生产环境的小项目，比十个Kaggle金牌更打动面试官——因为他们知道，你能让他们少加班。
最后一点真心话
说实话，这个项目技术难度不高。但它让我明白：计算机视觉的价值不在模型多炫，而在能否融入业务流，解决真实问题。作为从测试转开发的人，我反而觉得这种“接地气”的项目，更能体现工程素养。
上周五晚上，我又在改简历。把“参与商品图审核系统开发”改成“主导设计并落地端到端CV审核服务”，瞬间感觉身价涨了五千。当然，前提是——你真的搞定了它，而不是只跑通了Colab notebook。
现在，我的LeetCode还在刷，但每次看到树或动态规划题，脑子里都会闪过：“要是能用CV自动识别题目截图就好了……” —— 得，又一个新项目想法。
（完）
附：避坑清单（血泪总结）
- 别在Mac上训练大模型然后直接扔Linux部署（CUDA版本、依赖库全不一样）
- OpenCV读图默认BGR，PyTorch要RGB，转换别忘
- Docker里别用
latest标签，指定具体版本- 测试集一定要包含“脏数据”：模糊、旋转、裁剪、水印
- 给运维留好监控接口，不然半夜报警找不到你（别问我是怎么知道的）
评论 0