Aperto a nuove opportunità

Computer vision
al centro,
prodotti end to end.

Sono Andrea, computer vision engineer. Il mio core è il controllo qualità industriale, la metrologia e la detection, il tracking e la pose estimation in tempo reale — e attorno costruisco il prodotto intero: app iOS native, backend e pipeline di dati, dai dispositivi edge al cloud.

Guarda i progettiContattami
3+ anni
CV industriale e non solo
modello → app
dal training all'App Store
edge → cloud
dispositivi, iPhone o server
PyTorch✦YOLO11✦RF-DETR✦SAM✦RTMPose✦MediaPipe✦ByteTrack✦OpenCV✦Camera calibration✦ONNX Runtime✦TensorRT✦Core ML✦LiteRT✦FastAPI✦Docker✦FFmpeg✦React✦SwiftUI✦PostgreSQL✦Supabase✦MQTT✦PyTorch✦YOLO11✦RF-DETR✦SAM✦RTMPose✦MediaPipe✦ByteTrack✦OpenCV✦Camera calibration✦ONNX Runtime✦TensorRT✦Core ML✦LiteRT✦FastAPI✦Docker✦FFmpeg✦React✦SwiftUI✦PostgreSQL✦Supabase✦MQTT✦

Competenze

Di cosa mi occupo

01

Controllo qualità & metrologia

Ispezione visiva automatica e rilevamento difetti, più computer vision classica per misure di precisione: calibrazione camera, bordi sub-pixel e controlli dimensionali.

#Defectdetection#Metrologia#Calibrazione#OpenCV
02

Object detection & tracking

Detector addestrati su misura e tracking multi-oggetto per persone, veicoli, prodotti o qualsiasi cosa si muova in un video.

#YOLO#RF-DETR#ByteTrack#BoT-SORT
03

Analisi di posa e comportamento

Keypoint, azioni ed eventi temporali — per sport, ergonomia, sicurezza o retail.

#RTMPose#ST-GCN#Actionrecognition
04

Edge & embedded AI

Modelli ottimizzati per Jetson, Raspberry Pi e box on-premise: quantizzazione, export ONNX/TensorRT, pipeline real-time.

#INT8#ONNX#TensorRT#Jetson
05

Pipeline di video analytics

Dalle telecamere RTSP alle dashboard: ingestione, inferenza, storage, API e monitoraggio live.

#FastAPI#Docker#WebSocket
06

App iOS & prodotti full-stack

App SwiftUI native con modelli che girano in privato sul telefono, e il backend che c'è dietro: Postgres/Supabase, servizi FastAPI e dashboard React.

#SwiftUI#CoreML#Supabase#React

Progetti selezionati

Sistemi reali, vincoli reali

Ogni progetto ha risolto un vincolo difficile — privacy, latenza, hardware limitato o video reali e disordinati.

Analytics retail sulle telecamere esistenti

BI-vision

Un edge box plug-and-play che trasforma le telecamere già presenti in negozio in traiettorie anonime sulla planimetria — affluenza, permanenza, heatmap e code. Privacy by architecture: niente riconoscimento facciale, nessun frame esce dal negozio, solo eventi aggregati.

camera RTSP / ONVIF
qualsiasi
camera RTSP / ONVIF
frame inviati al cloud
0
frame inviati al cloud
tracking sulla planimetria
multi-cam
tracking sulla planimetria
YOLO11BoT-SORTMulti-cameraEdge DockerMQTT
Rilevamento di azioni sospette dalla posa

Analisi del comportamento

Detection → tracking → posa → modelli temporali. Il sistema impara azioni atomiche riutilizzabili (prendere dallo scaffale, mano in tasca) e ragiona su di esse per produrre un risk score spiegabile, invece di un classificatore black-box.

non volti
posa
non volti
finestre temporali
2–5 s
finestre temporali
continuo, spiegabile
risk score
continuo, spiegabile
RTMPoseByteTrackST-GCNTemporal models
Highlights di basket automatici

BasketVision

Trova i canestri realizzati in video di partite amatoriali ed esporta clip e montaggio. Detection della palla con tracking compensato sul movimento della camera, classificazione a regole verificabile e valutazione contro annotazioni manuali. Tutto offline su un laptop.

canestri trovati (pilota)
4 / 4
canestri trovati (pilota)
falsi positivi (pilota)
0
falsi positivi (pilota)
test automatici
315
test automatici
RF-DETRTrackingFFmpegRule engine
Analisi della tecnica di voga su iPhone

ErgMotion

Un'app iPhone che analizza video laterali al vogatore: pose estimation sul telefono, segmentazione automatica di ogni colpo in catch, drive, finish e recovery, angoli di ginocchio, anca, gomito e busto e costanza colpo su colpo, su un replay annotato. Alle spalle, un ambiente di ricerca riproducibile che confronta i modelli di posa su Mac e su un iPhone fisico prima di sceglierne uno.

offline, sul telefono
100%
offline, sul telefono
per colpo, al fotogramma
4 fasi
per colpo, al fotogramma
misurato sul dispositivo reale
iPhone 13
misurato sul dispositivo reale
MediaPipeRTMPoseSwiftUIBiomechanicsPython
Ricerca volti privata nella galleria

FaceSearch

Modelli di detection e riconoscimento portati da Python/ONNX a un'app iPhone nativa: trova tutte le foto di una persona senza che nessuna immagine lasci il telefono.

nessun upload
on-device
nessun upload
app nativa
iOS
app nativa
RetinaFaceArcFaceCore MLSwiftUI
Piattaforma di video analytics edge

ID Vision

Runtime di inferenza a grafo con sessioni, run e 'applicazioni' pluggable su camere, stream RTSP o upload. Worker disaccoppiati, retention, metriche Prometheus e una control room in React.

backend ONNX automatico
GPU · CPU
backend ONNX automatico
anteprima WebSocket
live
anteprima WebSocket
FastAPIONNX RuntimeReactWebSocketPrometheus
Valutazione tecnica di cavallo e cavaliere

Analisi equestre

Segmentazione, keypoint del cavaliere e traiettorie, valutati frame per frame secondo i criteri tecnici dei manuali FISE.

punteggio per frame
0–10
punteggio per frame
criteri federali
FISE
criteri federali
YOLO11-segPoseScoring
Agenti AI locali per documenti aziendali

IntraPilot

PDF d'ordine analizzati e abbinati all'ERP da un LLM locale, proposti a un umano per approvazione e poi scritti con audit trail completo.

flusso automatico
PDF → ERP
flusso automatico
chiamate al cloud
0
chiamate al cloud
Local LLMRAGpgvectorHuman-in-the-loop
Mappa sociale della serata · iOS

JoinEvent

Un'app iOS nativa che mostra su mappa gli eventi della serata e dove vanno le persone che segui. Architettura modulare e pulita, backend Supabase con query geospaziali e regole di privacy garantite dalla row-level security.

Swift package modulari
12
Swift package modulari
privacy garantita dal database
RLS
privacy garantita dal database
SwiftUISupabasePostGISRow-level securitySwift package
Scarica dall'App Store

Chi sono

Dal modello al dispositivo

Sono un computer vision engineer con oltre tre anni di esperienza nello sviluppo di applicazioni di visione in ambito industriale e non — dalla progettazione e dall'addestramento dei modelli fino al deploy su dispositivi edge. Sono specializzato in controllo qualità automatico e computer vision classica per la metrologia, insieme al deep learning per detection, tracking e posa su video in tempo reale.

Mi piacciono i vincoli difficili: tolleranze di misura strette, video che non possono uscire da un negozio, un telefono che deve fare tutto offline. È lì che l'ingegneria accurata batte una GPU più grande.

Misurato, non promesso

Ogni affermazione è accompagnata da una valutazione su dati reali.

Privacy by architecture

On-device e on-premise quando possibile.

Fatto per durare

Testato, documentato, riproducibile.