用途：面向生产环境的计算机视觉工程技能，用于目标检测、图像分割与视觉AI系统部署，提供架构选型、训练配置、数据集准备与推理优化方面的指导。
主要能力：覆盖目标检测（YOLO v5-v11、Faster R-CNN、DETR、RT-DETR）、实例分割（Mask R-CNN、YOLACT、SOLOv2）、语义分割（DeepLabV3+、SegFormer、SAM）、图像分类（ResNet、EfficientNet、ViT、DeiT）、视频分析（ByteTrack、SORT、动作识别）与3D视觉（深度估计、点云、NeRF）。技术栈包括PyTorch、torchvision、timm、Ultralytics、Detectron2、MMDetection、ONNX、TensorRT、OpenVINO、OpenCV、albumentations、CVAT、MLflow、Triton等。
使用方式：提供三个工作流。检测流程含需求定义、架构选择、数据集准备、训练配置、训练验证与指标评估；优化部署流程含基准测试、优化策略选择、导出ONNX、量化、转换目标运行时与对比基准；数据集流程含原始数据审计、清洗校验、标注格式转换、增强、划分与生成配置。示例命令：python scripts/vision_model_trainer.py models/ --task detection --arch yolov8；python scripts/inference_optimizer.py model.pt --target onnx --benchmark；python scripts/dataset_pipeline_builder.py images/ --format coco --augment。
适用场景：从零构建检测系统、将训练模型部署到云端GPU/边缘/移动端、准备自定义视觉数据集。
限制：资料未提供具体收费、价格、平台支持范围与效果保证；性能指标与加速数据为示例参考，实际结果需自行验证。