用途：帮助构建计算机视觉方案，覆盖图像分类、目标检测和迁移学习，并延伸图像分割与模型评估。
主要能力：提供预训练模型加载与推理（如 timm.create_model('efficientnet_b0', pretrained=True, num_classes=10)）、数据增强与预处理（albumentations 的 RandomResizedCrop、HorizontalFlip、Normalize 等）、迁移学习（冻结骨干后解冻微调）、目标检测（YOLO('yolov8n.pt') 加载、train 与推理提取类别和置信度）、图像分割（smp.Unet 配 DiceLoss）以及分类报告与混淆矩阵评估。同时给出最佳实践与常见问题排查（过拟合、训练慢、检测差、显存不足）。
使用方式：按快速上手示例加载模型与预处理，用 transforms 做推理；训练时用 albumentations 定义训练与验证变换，迁移学习可继承模块先冻结骨干再解冻；检测使用 ultralytics 的 YOLO 训练与预测；评估可借助 scikit-learn 的 classification_report 与 confusion_matrix；并附有 pytest 单元测试模板。
适用场景：小数据集微调、图像分类、自定义数据集目标检测、多类分割与模型评估。
限制：未提供收费、价格、平台或具体效果数据；训练需自备数据集与算力，检测需正确设置 anchor，显存不足需减小 batch size。版本 1.4.0，状态为 Production Ready。