Для Middle+ Software Engineers із комерційним досвідом розробки
Перейдіть із Software development у DefenceTech через Computer Vision
за 6 тижнів побудуйте робочу систему, яка розпізнає й відстежує об'єкти на відео, оптимізуйте її для реальної роботи і зберіть портфоліо для DefenceTech-співбесід
Без CV/ML-бекграунду — за 6 тижнів отримаєте базу для впевненого старту в Computer Vision
Лектор — CV Lead із DefenceTech — production-практика, реальні задачі та вимоги галузі
Кар’єрний супровід: допомагаємо знайти релевантні можливості в DefenceTech після курсу
Early Bird умови перші 25
Старт курсу 14 вересня
Але цей буткемп не для всіх
Рекомендовано для Middle+ інженерів із 2+ роками комерційного досвіду та впевненим Python
Підходить
Software Engineer, який хоче перейти в прикладну CV-інженерію
Той, хто цілиться в DefenceTech, autonomy або robotics команди — production CV-досвід до старту не потрібен
Хто знає Git, CLI, базовий Docker і готовий перейти від notebook до production workflow
Не підходить
Junior без комерційного досвіду розробки
Той, хто шукає research: нові архітектури, papers, SOTA-перегони — це курс про engineering
No-code аудиторія та ті, хто без робочого Python
Автор та викладач
NDA
Cпікер
8+ років у Computer Vision та ML engineering
Computer Vision Lead в оборонній UAV-компанії — з 2022 року
Очолює розробку CV-систем для UAV defense-платформ
PhD in Control Systems (ХАІ) · 10+ публікацій та співавторство у 4 патентах
Сертифікований UAV-пілот
В основі програми — повний production-ланцюг CV-системи
Не окремі теми, а один working pipeline, який ви збираєте 6 тижнів: Build → Measure → Diagnose → Improve → Integrate → Optimize → Test → Review
Pre-work — обов'язкова підготовка перед стартом
3 короткі блоки самостійної підготовки перед стартом. Вирівнюють знання й контекст усієї групи перед Заняттям 1. Наприкінці — короткий тест на готовність до курсу.
Pre-work 1
Python для роботи з моделями машинного зору
Ознайомитесь із масивами даних (NumPy) та базовими операціями над ними
Розберетесь, що таке тензор — базова структура даних у нейромережах
Побачите, як запускається готова модель (PyTorch inference)
Прослідкуєте перехід від коду в ноутбуці до повноцінного Python-скрипта
Pre-work 2
Як оцінювати якість моделі
Дізнаєтесь, навіщо дані розділяють на навчальну, перевірочну й тестову вибірки
Зрозумієте, що таке перенавчання моделі і чим відрізняються loss і метрика якості
Розглянете ключові метрики точності розпізнавання (precision, recall, IoU)
Pre-work 3
Основи роботи із зображеннями
Розберетесь, як влаштоване зображення і колір у ньому
Переглянете базові операції із зображенням: зміна розміру, обрізка, нормалізація, фільтри
Дізнаєтесь про базову роботу з відео: читання й запис відеофайлу
Модуль 1 · Тиждень 1
From Software to Vision
Заняття 1
Як влаштована система комп'ютерного зору
Розберете комп'ютерний зір на прості складові — від даних до готової системи — і побачите, де саме вона може дати збій.
Зрозумієте, як влаштований шлях CV-системи: від даних до роботи наживо і моніторингу
Розрізнятимете чотири типи задач комп'ютерного зору: класифікація, детекція, сегментація, стеження
Обиратимете обладнання під CV-задачу — камеру, обчислювальний блок, edge-пристрій — і обґрунтовуватимете вибір
Позначите компоненти готової архітектурної схеми та можливі точки відмови
Створите першу схему потоку даних свого проєкту — перший артефакт у портфоліо
Заняття 2
Якість даних: що перевірити до запуску детектора
Навчитесь виявляти приховані проблеми в даних до того, як вони зіпсують результат навчання моделі.
Розпізнаватимете, яку розмітку варто відбраковувати — розмиту, задубльовану, неточну
Запобігатимете витоку даних між навчальною і перевірочною вибірками
Виправлятимете дисбаланс класів у датасеті
Розумітимете, чому модель, навчена на одних даних, може "не бачити" щось інше на практиці
Складете перший офіційний звіт про готовність датасету — документ, з яким реально працюють CV-команди
Mastery Gate 1:
Data Readiness Assessment
Аудит датасету з реальними знахідками, обґрунтований розподіл вибірок, перші метрики базового детектора.
Модуль 2 · Тижні 2–3
From Model to Perception Pipeline
Заняття 3
Розпізнавання об'єктів, дрібні цілі + класифікація та трекінг
Запустите свою першу модель розпізнавання об'єктів і вирішите реальну проблему — дрібні об'єкти, які система пропускає.
Побудуєте pipeline детекції об'єктів на основі моделей сімейства YOLO
Виправлятимете втрату дрібних об'єктів у кадрі через тайлінг і масштабування
Вимірюватимете базові показники якості моделі (mAP, precision, recall)
Розумітимете, чому детекція, розпізнавання типу об'єкта і стеження за ним — одна нерозривна система
Отримаєте робочу модель детекції з першими вимірюваними результатами
Заняття 4
Системна перевірка якості й донавчання моделі
Покращуватимете модель не навмання, а через чіткий послідовний процес — і додасте до системи впізнавання типу об'єкта та стеження за ним.
Класифікуватимете помилки моделі за типами: неточне розташування, плутанина, дублікати, пропуски
Донавчатимете модель під власні дані за перевіреним алгоритмом
Порівнюватимете результат до і після та документуватимете рішення
Обиратимете підхід до стеження за об'єктом на відео між двома основними алгоритмами
Інтегруєте впізнавання типу об'єкта і стеження в один pipeline
Заняття 5
Точний контур об'єкта і робота в поганих умовах зйомки
Навчитесь виділяти точний контур об'єкта замість простої рамки і вимірювати, наскільки система витримує погані умови зйомки.
Обиратимете між простою рамкою і точним контуром залежно від задачі
Вимірюватимете точність виділення об'єкта на зображенні
Оцінюватимете падіння якості при розмитому зображенні, шумі, поганому контрасті
Формулюватимете рекомендації, як пом'якшити цю проблему
Отримаєте виміряні дані про стійкість своєї системи до поганих умов
Заняття 6
Обробка відео в реальному часі й стеження за об'єктами
Побудуєте систему, яка обробляє відео наживо і встигає стежити за кількома об'єктами одночасно.
Зберете повний pipeline обробки відео від захоплення кадру до результату
Прискорите систему настільки, щоб вкластися в реальний бюджет часу на кадр
Вимірюватимете якість стеження за об'єктами і виявлятимете вузькі місця
Покращите швидкодію системи через одну конкретну оптимізацію
Досягнете контрольної точки Mastery Gate 2 з робочою системою і виміряною швидкодією
Mastery Gate 2:
Perception Pipeline Review
Working pipeline end-to-end з коректними метриками детекції й стеження, одне обґрунтоване покращення до/після.
Модуль 3 · Тижні 4–5
From Pipeline to Real System
Заняття 7
Пошук змін між двома моментами часу
Побудуєте систему, яка сама помічає й сигналізує, що саме змінилося між двома знімками, а не просто показує "що видно".
Вирівнюватимете зображення перед порівнянням
Виявлятимете реальні зміни та відсіюватимете хибні (тіні, освітлення, ракурс)
Налаштовуватимете чутливість системи до фільтрації хибних спрацювань
Оформлюватимете результат у вигляді готової події-сповіщення
Отримаєте робочий прототип виявлення змін — реальну задачу моніторингу цієї галузі
Заняття 8
Камера і датчики: архітектура системи та data fusion
Зрозумієте, як камера вписується у більшу систему з іншими датчиками, і навчитесь говорити цією мовою з командою.
Розрізнятимете, що дає кожен датчик окремо — камера, тепловізор, лазерний далекомір, GPS
Проєктуватимете, як поєднувати дані з кількох датчиків між собою
Синхронізовуватимете дані датчиків різної швидкості в часі
Плануватимете поведінку системи на випадок відмови одного з датчиків
Складете чіткий "контракт" — що ваш CV-компонент отримує на вхід і віддає на вихід
Заняття 9
Визначення положення і руху за відео: одометрія, злиття IMU/GPS і калібрування
Навчитесь читати дані систем визначення положення за відео і розпізнавати, коли їм не можна довіряти.
Аналізуватимете, як система визначає свій рух за послідовними кадрами відео
Виявлятимете накопичення похибки (дрейфу) з часом
Розумітимете, як інерційний датчик і GPS доповнюють дані з відео, коли GPS недоступний
Оцінюватимете вплив калібрування камери на точність усієї системи
Порівняєте отриманий маршрут з еталонним і проаналізуєте похибку на кількох сценаріях
Заняття 10
Тестування на складних/рідкісних сценаріях
Виявите заздалегідь, де ваша система може підвести — ще до того, як її реально запустять у роботу.
Складете перелік мінімум 8 критичних сценаріїв для перевірки
Генеруватимете штучні "складні" тестові дані замість очікування, поки вони трапляться самі
Проганятимете систему через найважливіші сценарії й вимірюватимете падіння якості
Розумітимете межі того, що гарантує тест на штучних даних
Сформуєте задокументований висновок про готовність системи
Mastery Gate 2.5:
System Integration & Scenario Readiness Review
Завершена інтеграційна документація, тестова матриця з 8+ сценаріями, рекомендація щодо готовності.
Модуль 4 · Тиждень 6
From System to Deployment & Reliability
Заняття 11
Прискорення моделі для реальної роботи
Прискорите модель для реальних умов і виміряєте, наскільки це покращило її роботу.
Виявлятимете, що саме сповільнює модель
Експортуватимете модель у формат, готовий до реального запуску, і перевірите коректність результату
Оптимізовуватимете модель і вимірюватимете реальний приріст швидкості
Порівнюватимете кілька варіантів запуску моделі між собою
Обиратимете правильне обладнання під свою CV-задачу і обґрунтовуватимете рішення
Заняття 12
Стрес-тестування і Engineering Q&A
Перевірите систему на стійкість і чесно задокументуєте її сильні й слабкі місця перед обговоренням з автором курсу.
Симулюватимете втрату кадрів, зависання камери та інші стресові умови
Класифікуватимете типи відмов і визначатимете, як система має поводитись у кожному випадку
Аналізуватимете нову CV-задачу і пропонуватимете архітектурний підхід з обґрунтуванням
Побудуєте криву надійності своєї системи на основі реальних тестів
Підготуєте й обговорите з автором курсу повний огляд прийнятих рішень за весь курс
Mastery Gate 3:
Final System Assessment
Відтворюваний pipeline, доказова оцінка надійності, обґрунтований захист прийнятих рішень.
Фінальний проєкт — Resilient Visual Monitoring & Inspection Pipeline
Real-time CV-система, яку ви збираєте інкрементально всі 6 тижнів
Один наскрізний CV-проєкт — той самий цикл, що і в роботі CV-інженера: visual data → detection → tracking → TensorRT → reliability evidence. Не notebook, а система з доказами, яку очікують роботодавці в DefenceTech
6 тижнів. 12 занять. 6 артефактів
ARTIFACT · 01
Working Real-Time Perception Pipeline
Репозиторій з робочим pipeline: детекція + трекінг об'єктів у відео в реальному часі, плюс сегментація і виміряна швидкодія (FPS, затримка). Працює end-to-end, без ручного втручання.
Proof-of-skill у портфоліо і на співбесіді — не «проходив курс», а показуєте робочу систему
ARTIFACT · 02
Detection & Error Analysis Report
Результати донавчання моделі до/після, порівняння підходів до трекінгу об'єктів.
Показує вимірюваний прогрес моделі — саме про це запитують на технічній співбесіді
ARTIFACT · 03
Deployment Performance Package
Модель, експортована в ONNX і перевірена на коректність, конвертована в TensorRT FP16, з виміряною швидкодією за стандартним протоколом — і обґрунтованою рекомендацією, на якому залізі її запускати.
Мова, якою говорять edge/deployment команди — рідкісний скіл серед CV-кандидатів
ARTIFACT · 04
Reliability Assessment & Engineering Decision Log
Як система поводиться під навантаженням і в разі збою, плюс документація ваших інженерних рішень протягом курсу.
Відрізняє інженера від notebook-юзера: ви документуєте рішення, а не просто «воно працює»
ARTIFACT · 05
System Integration & Test Plan
Як ваш CV-компонент взаємодіє з іншою частиною системи, і як ви це перевіряєте на практиці.
System-level мислення — те, чого немає у випускників типових CV-курсів
ARTIFACT · 06
Data & Baseline Report
Аудит готовності датасету, ризики leakage і зміщення домену (domain shift), перші метрики baseline-детектора на основному датасеті.
Перший артефакт уже у Week 1 — портфоліо росте з курсом, а не після нього
Результат після 6 тижнів
Зможете подаватись на позиції
01
Computer Vision Engineer у defence tech, autonomy та robotics командах
02
ML Engineer із CV-фокусом — detection, tracking, model optimization
03
Software Engineer у CV/vision команді — industrial inspection, monitoring, відео-аналітика
Будете вміти
Будувати real-time detection + tracking pipeline (YOLO/RT-DETR + ByteTrack) з виміряними FPS і p50/p95 latency
Fine-tune'ити pretrained моделі під domain через системний цикл: error taxonomy → hypothesis → before/after
Витягувати малі об'єкти в кадрі через tiling/SAHI та multi-scale inference — з виміряним trade-off якість/compute
Оптимізувати inference: ONNX export → TensorRT FP16 → benchmark за протоколом → аргументована рекомендація
Тестувати reliability: degradation curves, stress-сценарії, failure taxonomy, fallback behavior
Читати localization/SLAM системи на рівні interfaces, drift і failure modes — щоб говорити з robotics-командою її мовою
Чесно про межі
За 6 тижнів ви не станете CV-researcher'ом чи SLAM-спеціалістом — і курс цього не обіцяє. Ви станете інженером, який закриває прикладні CV-задачі рівня реальних вакансій. Курс прибирає головний бар'єр: відсутність доказів ваших CV-скілів.
Що входить
у 6-тижневу програму
6 тижнів / 12 уроків
структурований конспект + відео + практика на своєму pipeline, і 3 pre-work модулі до старту
6 живих сесій
структурований engineering review вашого прогресу + Q&A; питання збираються заздалегідь
Без спеціального заліза, але мінімум
Windows 10/11, Ubuntu 20.04+ або Debian 11+, 20 ГБ диска, 16 ГБ RAM рекомендовано. Дискретна NVIDIA — плюс, не обов'язково: без неї — ONNX Runtime на CPU (для macOS)
Наскрізний проект + 6 артефактів
evidence portfolio для співбесід у CV-командах
Готує до ролі production CV Engineer
практикуючий CV Lead в оборонній UAV-компанії з 2022 року
4 Mastery Gate
у кінці кожного блоку оцінюється якість інженерних рішень, а не обсяг зробленого
Старт потоку: 14 вересня
Залишилось місць
15 / 40
Early Bird
умови
умови
для перших 25 учасників
першого потоку
першого потоку
Бонус
Залік у магістратуру Neoversity (EQF7, EU диплом)
спеціальна вартість для випускників курсу
Все, що ви хотіли знати про Neoversity
Neoversity — це перший в Україні AI-driven онлайн IT-університет з міжнародною акредитацією.Програми університету готують фахівців, здатних створювати й упроваджувати власні стартап-проєкти
1500+
студентів навчаються на бакалаврських та магістерських програмах за 2024-2025 роки
76%
студентів магістратури працюють на Middle, Senior чи Lead-позиціях у Google, Meta, Microsoft, EPAM, SoftServe, N-iX, Ciklum і засновують власні стартапи.
Резидент
Diia.City
Кращий EdTech 2024
Next
250
За підтримки інвестицій
Зазвичай питають перед стартом навчання
Чи реально увійти в Computer Vision за 6 тижнів?
Якщо ви вже Middle+ інженер — так, і ось чому: курс не вчить програмувати з нуля. Він надбудовує CV-шар поверх вашого наявного production-досвіду: Docker, pipelines, code review ви вже знаєте. 6 тижнів — це не «весь computer vision», а конкретний набір прикладних скілів рівня реальних вакансій: detection, tracking, оптимізація, reliability. Межі курсу чесно описані в програмі.
У мене немає ML-бекграунду. Потрібна серйозна математика чи PhD?
Ні. Курс побудований engineering-first: ви працюєте з pretrained-моделями, fine-tune'ите їх під задачу, вимірюєте і оптимізуєте — а не виводите архітектури з нуля. Достатньо шкільного розуміння векторів і ймовірності. PhD потрібен для research-ролей — а ринок наймає інженерів, які вміють будувати і деплоїти. Для вирівнювання бази перед стартом ви отримаєте 3 pre-work модулі: Python for ML/CV, ML Evaluation і OpenCV basics.
Чи візьмуть мене на CV-позицію без комерційного CV-досвіду?
Це головний бар'єр, під який спроєктований курс. Замкнене коло «немає досвіду → не беруть → немає досвіду» розривається доказами: ви виходите з working системою і 6 інженерними артефактами у форматах, якими працюють реальні CV-команди — benchmark-звіти, error analysis, test plans, decision log. На співбесіді ви відкриваєте репозиторій і захищаєте рішення, а не показуєте сертифікат. Плюс ринок на вашому боці: у defence tech зараз у рази менше кандидатів на вакансію, ніж у класичному IT.
Скільки часу потрібно на тиждень? Чи сумісно з фултайм-роботою?
Орієнтовно 13–15 годин на тиждень, з піком у тижнях 3 та 6. Формат async: конспекти, відео і практика у ваш час, фіксована лише щотижнева Engineering Clinic. Курс розрахований на працюючих інженерів — але це hands-on навчання, а не подкаст у фоні
Який стек потрібен на вході?
Впевнений Python (функції, класи, робота з файлами і бібліотеками), Git, командний рядок, базовий Docker. Досвід із PyTorch, OpenCV чи ML не потрібен — його закривають pre-work модулі. Якщо ваша основна мова C++ — Python на рівні впевненого читання/письма достатньо, а ваш системний бекграунд стане перевагою в модулях про real-time і оптимізацію.
Потрібна власна GPU або Jetson?
Ні, не обов'язково. Якщо у вас є дискретна NVIDIA — TensorRT-оптимізацію ви робите на своєму залізі. Якщо немає — курс не блокує: детекція, донавчання моделі та обробка відео проходять через ONNX Runtime на процесорі (просто довше за часом), а сам крок TensorRT-оптимізації ви розбираєте на вже готових наданих матеріалах, без потреби в GPU. На macOS відеокарти NVIDIA не підтримуються технічно — тому там завжди шлях через ONNX Runtime.
Як проходить навчання?
12 занять за 6 тижнів. Кожне заняття — структурований конспект + відео + практичне завдання на вашому наскрізному проєкті. Щотижня — live Engineering Clinic: 90 хвилин структурованого розбору вашого коду, метрик і failure-кейсів, не загальний Q&A. Прогрес фіксують Mastery Gates — оцінювання за реальною роботою системи, не тести на запам'ятовування.
Що якщо я не встигатиму або застрягну?
Для кожної практики передбачені reference-реалізації і fallback-шляхи: якщо середовище або тренування підводить, ви продовжуєте з робочої точки, а не втрачаєте тиждень на дебаг інфраструктури. Застрягання розбираються на щотижневій клініці. Матеріали залишаються у вас після завершення курсу.
Хто викладає?
Лід-інструктор — практикуючий інженер із досвідом production computer vision систем, а окремі спеціалізовані теми розбирають запрошені експерти на клініках. Детальне представлення спікера — вище на цій сторінці.
Скільки коштує курс?
Вартість залежить від етапу набору групи, на якому ви робите оплату: що раніше — то вигідніші умови. Актуальну вартість і доступні формати оплати вам розкаже відділ продажів — залишайте заявку, і менеджер зв'яжеться з вами найближчим часом.
Що я отримаю після завершення?
Сертифікат про проходження, working систему і 6 артефактів у портфоліо — і бонус: залік курсу в магістратуру Neoversity (EQF7, EU диплом) зі спеціальною вартістю для випускників.
Є питання про курс?
Запишись на консультацію — розберемо твій стек, рівень і чи підходить курс саме тобі
30 хв • безкоштовно
Ваш шлях в Computer Vision Engineering починається тут
Залишайте заявку щоб зайняти місце за спеціальними умовами або отримати консультацію
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.