用途：构建并部署计算机视觉流水线，覆盖目标检测、图像分割与视觉 AI 推理，支持 YOLO（v8/v11）、Faster R-CNN、SAM（Segment Anything Model）与 Mask R-CNN，并含 TensorRT 生产部署优化与实时推理。
主要能力： 一、YOLO 目标检测。安装命令 pip install ultralytics。加载预训练模型 YOLO("yolo11n.pt")，尺寸从 nano（最快）到 x（最准）。可对图片推理并读取 boxes 的类别、置信度、xyxy 坐标，用 results[0].save() 保存标注图；可用 model.track("video.mp4", show=False, save=True, tracker="bytetrack.yaml") 处理视频跟踪；可用 model.train(data="dataset.yaml", epochs=100, imgsz=640, batch=16, device=0, patience=20) 微调自定义模型，数据集 YAML 含 path、train、val、names。 二、SAM 分割。从 segment_anything 载入 sam_model_registry["vit_h"] 与 checkpoint，用 SamPredictor 做点提示分割，或 SamAutomaticMaskGenerator 自动生成全部掩码，每个掩码含 segmentation、area、bbox、predicted_iou、stability_score。 三、torchvision 检测与实例分割。使用 fasterrcnn_resnet50_fpn_v2 做检测，maskrcnn_resnet50_fpn_v2 做实例分割，可按 scores 阈值过滤。 四、TensorRT 部署。YOLO 可用 model.export(format="engine", device=0, half=True) 导出；自定义模型先 torch.onnx.export（opset_version=17、dynamic_axes），再用 trtexec --onnx=model.onnx --saveEngine=model.engine --fp16 转换。 五、图像分类。使用 efficientnet_v2_s 与 EfficientNet_V2_S_Weights，配合 weights.transforms() 预处理并输出 top5。
使用方式：按任务选型，先跑最小模型变体，精度不足再放大；生产用 TensorRT 或 ONNX Runtime；自定义检测任务对 YOLO 微调而非从零训练；置信度阈值一般 0.5，高精度需求 0.7 以上；GPU 上用 FP16 推理；视频用批量推理与 ByteTrack 跟踪；选定模型前用 model.benchmark() 测速。
适用场景：统计货架商品、抠出前景物体、摄像头实时检测等。
限制：资料未提供具体收费、价格、平台依赖细节与效果指标，亦未给出各模型精度数值；实际部署需自行准备数据集、权重与 GPU 环境。