CV就业小班 第一期「BAT大咖小班教学，保证就业」

如果你在招聘网站上搜过计算机视觉岗位，大概会发现两类要求：一类写着"熟悉主流检测框架，有落地经验优先"，另一类则是"硕士以上，顶会论文优先"。中间那批既不缺学历、也还没攒够项目经验的求职者，往往最尴尬——简历上写得出模型名字，面试官一问训练细节和数据清洗就卡壳。这门 CV 就业小班第一期，看起来就是冲着这个夹层人群设计的。

它解决的是「会调库」到「能交付」之间那道坎

市面上讲 CV 的资料不少，公开课、论文解读、开源代码一抓一大把，但多数止步于"跑通一个 demo"。真正进入工作场景后，你要面对的是：数据集标注质量参差不齐怎么办、模型在测试集上表现好但线上推理延迟超标怎么权衡、目标检测里小目标漏检严重该从哪一层改起。这些问题没有标准答案，也搜不到现成代码。

这门课的核心定位就在这儿——把目标检测和语义分割这两条最常被业务用到的技术线，拆到能动手改的程度。不是让你背网络结构图，而是让你在面对一个新数据集时，知道先看什么、再调什么、最后怎么验证改动是否有效。

学完之后，哪些事你应该能独立做

• 拿到一份带标注的图像数据，判断标注规范是否可用，并完成训练集/验证集的合理划分；
• 针对具体任务选检测还是分割方案，而不是默认套用最热门的那个模型；
• 训练过程中定位过拟合、欠拟合、类别不均衡等常见问题，并给出至少两种调整思路；
• 把训练好的模型导出、做推理速度测试，并写出让面试官能追问下去的项目描述。

这几条如果现在做起来心里没底，说明课程内容正好落在你的缺口上。反过来，如果你已经独立完成过两个以上完整 CV 项目并上线，这门课的边际收益会明显下降。

哪些基础的人跟得上，哪些人会吃力

课程对起点有明确要求。Python 和 PyTorch 的基本操作需要熟练——至少写过 Dataset 和 DataLoader，能看懂 nn.Module 的 forward 流程。机器学习方面，知道什么是损失函数、梯度下降、过拟合就够了，不要求推公式。

如果你的 Python 还停留在写脚本处理表格的阶段，或者对张量维度变换没有手感，建议先补齐这部分再来。否则小班节奏下，很容易在前两周就掉队。所谓"零基础转行"在这门课里不成立，它更像是给有编程底子、缺 CV 实战经验的人准备的加速通道。

关于「小班」和「保证就业」怎么理解

BAT 背景的讲师做小班，实际价值不在于头衔，而在于作业和项目能被逐行看过、当面问清楚。大班课里你卡住的地方，通常只能靠自己在论坛翻帖；小班里至少有人告诉你错在哪、为什么错。这一点对转行者尤其重要，因为自学的最大成本不是时间，是走错方向还不自知。

"保证就业"这类承诺，任何课程都不应该被当成保险单。它更合理的理解是：课程会围绕面试常问的技术点组织练习，项目描述和简历呈现会有针对性指导，但最终能不能拿到 offer，取决于你投入的练习量和之前的学历、经历背景。把它当作一套有人带的求职训练，比当作录取通知书更实际。

资料包里包含课程讲解、作业和项目材料，建议按周推进，不要囤着一次性看完。CV 的东西看会不等于写会，每一节的代码都自己重敲一遍，比多看两个视频有用得多。