It og teleteknik
Computer Vision Engineer — løn 2026: 64.304 kr. om måneden
Opgaver, uddannelse og vejen ind i faget
En computer vision engineer tjener typisk 64.304 kr. om måneden før skat (median, Danmarks Statistik 2024) — ca. 34.554 kr. udbetalt.
En computer vision engineer bygger software, der får computere til at forstå billeder og video, fx til kvalitetskontrol på en fabrik. Arbejdet består mest af data: indsamle billeder, annotere dem og træne modeller, der også virker i modlys og støv. Rollen findes i industri, medico, landbrug, droner, sport og robotter — typisk med Python, PyTorch og OpenCV.
Typisk månedsløn
64.304 kr.
median, før skat
De fleste tjener
52.510–78.045 kr.
nedre–øvre kvartil
Kilde: Danmarks Statistik, lønstatistik (LONS20) 2024 · Skrevet af Vift, opdateret 15. august 2026 · Løntallene opdateres, når Danmarks Statistik udgiver et nyt år.
Hvad tjener en computer vision engineer?
Typisk månedsløn (median, fuld tid, før skat)
64.304 kr.
De fleste tjener mellem 52.510 og 78.045 kr./md. (nedre og øvre kvartil).
Kilde: Danmarks Statistik, lønstatistik (LONS20) 2024. Standardberegnet månedsfortjeneste — inkl. pension og tillæg. Sammenlign med andre fag i lønindekset · Se lønnen efter skat
Er du computer Vision Engineer? Se hvor din løn ligger
Skriv din løn — du ser med det samme, hvor du ligger i lønspændet. Helt uden login.
Din erfaring i faget
Hvad får du om måneden, før skat?
Din faste månedsløn før skat. Tallet forlader ikke din telefon, før du selv siger ja.
Arbejder du deltid? Regn op til fuld tid (37 timer), før du sammenligner — statistikken er lavet på fuld tid.
Hvad laver en computer vision engineer?
En computer vision engineer lærer maskiner at se. Du bygger systemer, der finder fejl, tæller emner, måler afstande eller genkender former i billeder og video.
Det meste af arbejdet handler om data og om virkeligheden — ikke om smarte modeller. En model, der rammer 99 % i laboratoriet, kan falde helt igennem på et produktionsgulv med skiftende lys, damp og vibrationer.
Typiske opgaver
- Oversætte et forretningsønske til et målbart krav: hvad skal kameraet se, og hvor mange fejl må slippe igennem
- Vælge kamera, linse og belysning — ofte sammen med en maskiningeniør eller automationstekniker
- Indsamle billeddata og annotere dem, typisk i CVAT, Label Studio eller Roboflow
- Træne og finjustere modeller til klassifikation, objektdetektion, segmentering eller 3D-positionsbestemmelse
- Optimere modellen, så den kan køre på en lille enhed ude ved maskinen, ikke kun på en server
- Sætte systemet i drift, logge fejlbilleder og overvåge, om kvaliteten falder over tid
En almindelig arbejdsdag
Morgenen går tit med at se på nattens fejl. Du kigger falske alarmer igennem billede for billede og leder efter mønstret: var det en refleks, en ny emnetype eller et snavset kameraglas?
Derefter kommer der en runde datarbejde. Du udvider træningssættet med de svære billeder, retter forkerte annoteringer og sætter en ny træning i gang.
Mens modellen træner, arbejder du med resten af systemet. Det kan være kamerakalibrering, en integration mod en PLC, eller at få inferenstiden ned fra 90 til 30 millisekunder.
En del af dagen foregår væk fra skærmen. Du står ved linjen, ved robotcellen eller på marken og ser, hvad kameraet faktisk får at se.
Hvad rollen typisk arbejder med i Danmark
- Industriel kvalitetskontrol: overfladefejl, manglende komponenter, aflæsning af print og etiketter
- Medico og life science: analyse af billeder fra scannere, mikroskoper og produktionsudstyr
- Landbrug og drone: ukrudtsgenkendelse, tælling af planter og dyr, inspektion af tage og vindmøllevinger
- Robotter og logistik: bin picking, navigation og genkendelse af paller og kasser
- Sport og media: boldsporing og bevægelsesanalyse
- Sikkerhed og video: bevægelses- og objektdetektion i store videoarkiver
Hvem du arbejder sammen med
Du sidder sjældent alene. Du arbejder tæt med softwareudviklere, dataingeniører, automationsteknikere og de operatører, der skal leve med systemet bagefter.
Operatørernes tillid afgør ofte, om projektet lykkes. Et system, der råber falsk alarm hver time, bliver slukket — uanset hvor pæne tallene ser ud i en rapport.
Når billederne indeholder mennesker
Genkender systemet ansigter, personer eller nummerplader, bliver arbejdet også juridisk. EU's AI-forordning (AI Act) stiller skærpede krav til højrisikosystemer og forbyder visse former for biometrisk identifikation.
Datatilsynet fører tilsyn med behandling af personoplysninger efter databeskyttelsesforordningen (GDPR), og billeder af genkendelige personer er personoplysninger. Tv-overvågningsloven sætter desuden rammerne for, hvor og hvordan der må filmes. I praksis betyder det, at du tidligt skal kunne svare på, hvad der gemmes, hvor længe og hvorfor.
Til dig, der arbejder med det
Bliv fundet som computer vision engineer
Vis, hvad du arbejder med, så mennesker og virksomheder kan finde dig, når de leder efter nogen med din erfaring.
Bliv fundet — gratisCa. 30 sekunder · intet betalingskort
Ikke klar til at være synlig? Få besked, når nogen søger efter computer vision engineer
Til virksomheder
Lad de rette mennesker finde jer
Søger I en person til rollen som computer vision engineer? Vis, hvad I leder efter, så relevante mennesker kan finde jer og tage kontakt.
Vis hvad I søger — gratis2 trin · fjern når som helst
Ikke klar endnu? Følg stillingen og få besked, når nye profiler dukker op.
Spørg andre i faget
Tallene siger, hvad faget får — fagfællerne ved, hvordan hverdagen er. I rummet for data- og ai-folkene spørger man anonymt under et fast alias (brugernavn).
Hvordan bliver man computer vision engineer?
Der findes ingen uddannelse i Danmark, der hedder "computer vision engineer". Man kommer ind i faget via en teknisk uddannelse og specialiserer sig undervejs.
Den almindelige vej
Den typiske vej er en bachelor på tre år efterfulgt af en kandidat på to år. Relevante kandidatretninger findes blandt andet på DTU, Aalborg Universitet, Syddansk Universitet, Aarhus Universitet, Københavns Universitet og IT-Universitetet.
Aalborg Universitet har en kandidat i Vision, Graphics and Interactive Systems, som er direkte målrettet feltet. På Syddansk Universitet i Odense hænger robotteknologi og vision tæt sammen med det lokale robotmiljø.
Adgangskravene til de tekniske bacheloruddannelser er en gymnasial eksamen, typisk med matematik A og fysik B. De præcise krav og kvotienter fastsættes af den enkelte uddannelse og fremgår af Den Koordinerede Tilmelding under Uddannelses- og Forskningsministeriet.
Alternative veje ind i faget
- Datamatiker på erhvervsakademi (2½ år) og derefter professionsbachelor i softwareudvikling som overbygning
- Diplomingeniør i elektronik, softwareteknologi eller mekatronik
- Skift fra softwareudvikling: mange starter som backend- eller embedded-udvikler og glider over i vision-opgaver
- Skift fra klassisk machine vision: teknikere, der har arbejdet med Cognex eller Halcon på en fabrik, har allerede den svære del — optik, lys og produktionsforståelse
- Skift fra nabofag som fysik, matematik, geoinformatik, medicoteknik eller billeddiagnostik
En ph.d. er ikke et krav, men den er almindelig i forsknings- og produktudvikling, hvor man arbejder med nye metoder frem for at bruge færdige.
Det du ikke kan springe over
Matematikken er ikke til at komme udenom. Lineær algebra, sandsynlighedsregning og optimering ligger under alt arbejdet med modeller.
Du skal også kunne programmere ordentligt. Python er indgangen, men produktionskode ender ofte i C++, og det er en reel læringspukkel for mange.
Et portfolio vejer tungt til samtalen. Et par gennemførte projekter med rigtige billeder, egne annoteringer og ærlige tal om fejlraten siger mere end en lang liste af onlinekurser.
Efteruddannelse
DTU og Aalborg Universitet udbyder enkeltfag og fagspecifikke kurser, som man kan tage ved siden af et job. Teknologisk Institut og Alexandra Instituttet arbejder med anvendt vision og AI for danske virksomheder og bruges ofte som indgang til området.
Hvis arbejdet berører billeder af mennesker, er kendskab til EU's AI-forordning og databeskyttelsesforordningen (GDPR) hurtigt lige så vigtigt som modellerne. Datatilsynet udgiver vejledninger om blandt andet tv-overvågning og ansigtsgenkendelse.
Værktøjer og teknologi
Værktøjskassen falder i to dele: den klassiske industrielle machine vision og den moderne deep learning-verden. Mange stillinger kræver begge.
Sprog og biblioteker
- Python til udvikling, eksperimenter og træning
- C++ til produktionskode, hvor hastighed og hukommelse betyder noget
- OpenCV til billedbehandling, kalibrering og geometri
- NumPy, SciPy og scikit-image til den underliggende talbehandling
- PyTorch som den dominerende ramme til modeller; TensorFlow findes stadig i ældre systemer
Modeller og modelbiblioteker
- Ultralytics YOLO til objektdetektion i drift
- Detectron2 og MMDetection til mere avancerede opgaver
- Segment Anything og lignende grundmodeller, ofte brugt til at fremskynde annotering
- Hugging Face som kilde til fortrænede modeller
Data og annotering
- CVAT, Label Studio og Roboflow til annotering og datasæthåndtering
- DVC eller lignende til versionsstyring af datasæt
- Weights & Biases eller MLflow til at holde styr på forsøg og resultater
Kamera, optik og hardware
- Industrikameraer fra fx Basler eller IDS, ofte over GigE Vision eller USB3 Vision
- Linser, telecentrisk optik og styret belysning — lys løser flere problemer end flere lag i netværket
- 3D-sensorer, stereokameraer og lidar til punktskyer, behandlet med Open3D eller PCL
- NVIDIA Jetson og industri-pc'er til inferens ude ved maskinen
Drift og optimering
- CUDA, ONNX og TensorRT til at få modellen hurtig nok på den hardware, der faktisk står derude
- Docker og Git til udrulning og versionsstyring
- ROS 2, når systemet sidder i en robot
- Skyplatforme som Azure eller AWS til træning på store datasæt
Den klassiske vej
I industrien møder man stadig Cognex VisionPro, MVTec Halcon og Keyence-systemer. De er regelbaserede og gennemskuelige, og til mange måleopgaver er de både billigere og mere pålidelige end en trænet model.
Mød menneskene bag titlen
Overvejer du at blive computer vision engineer — eller mangler du en? Søg blandt rigtige mennesker, eller stil faget et spørgsmål og få besked når nogen fra branchen svarer.
Er du selv computer vision engineer? Opret din gratis profil — bliv synlig og få tilbudt opgaver.
Relaterede stillinger inden for systemudvikling, programmering og design
Ofte stillede spørgsmål
Hvad laver en computer vision engineer?
Du bygger systemer, der udleder noget brugbart af billeder og video. Det kan være at finde ridser på en emballage, tælle planter fra en drone eller styre en robot efter, hvad kameraet ser. Størstedelen af tiden går med data, kamera og fejlanalyse — ikke med at opfinde nye modeller.
Hvordan bliver man computer vision engineer?
Den almindelige vej er en teknisk bachelor og kandidat inden for ingeniørvidenskab, datalogi eller robotteknologi. Aalborg Universitet, DTU og SDU har retninger tæt på feltet. Man kan også komme ind som softwareudvikler eller automationstekniker, der specialiserer sig undervejs.
Er det svært at blive computer vision engineer?
Ja, indgangen er tung. Du skal både kunne matematikken, programmeringen og forstå fysikken i lys og optik. Til gengæld kan man komme langt uden en ph.d., hvis man kan vise rigtige projekter med ærlige tal for, hvornår systemet fejler.
Hvad er forskellen på en computer vision engineer og en machine learning engineer?
En machine learning engineer arbejder med data generelt: tekst, tal, adfærd. En computer vision engineer arbejder med billeder og har derfor også fat i kameraer, linser, belysning og kalibrering. Vision-rollen ender oftere ude ved fysisk udstyr.
Er faget lovreguleret?
Nej, der findes ingen autorisation eller beskyttet titel for computer vision engineers. Men selve arbejdet kan være reguleret. EU's AI-forordning stiller krav til højrisikosystemer, og databeskyttelsesforordningen (GDPR) gælder, så snart billederne viser genkendelige personer.
Hvilke brancher ansætter computer vision engineers i Danmark?
Produktion og industriel kvalitetskontrol er den største aftager. Derudover medico og life science, landbrugs- og droneteknologi, robotmiljøet omkring Odense, sportsteknologi og videoovervågningssoftware. Mange stillinger ligger i mindre virksomheder med ét eller to vision-teams.
Bliver faget overflødigt, når der findes færdige AI-modeller?
Færdige modeller har flyttet arbejdet, ikke fjernet det. Det svære er stadig at skaffe de rigtige billeder, sætte kameraet op og få systemet til at holde i drift i støv, damp og skiftende lys. Den del kan man ikke hente ned fra nettet.
Hvad kigger en arbejdsgiver efter ved ansættelsen?
Konkrete projekter, hvor du kan forklare fejlraten og hvorfor systemet fejlede. Erfaring med at få en model ud på hardware tæller mere end kendskab til mange modelarkitekturer. Kan du desuden tale med produktionsfolk om lys og opstilling, står du stærkt.
Udgivet august 2026. Senest opdateret august 2026. Se alle stillinger