计算机视觉工程

技能简介

本技能覆盖计算机视觉工程全流程，包括目标检测、实例分割、语义分割及视觉AI系统生产部署。支持CNN与Vision Transformer架构，涵盖YOLO系列、Faster R-CNN、DETR等检测模型，以及Mask R-CNN、SAM等分割方案。

业务背景

本技能面向需要视觉智能的业务场景，帮助团队快速构建目标检测与图像分割能力。无论是产线质检、安防监控还是医疗影像分析，均可通过标准化流程完成模型训练与部署，降低AI工程门槛，缩短从实验到生产的周期。

落地案例：某制造企业需自动识别产品表面缺陷。业务人员提供瑕疵样本图片及标注数据，选择YOLOv8架构启动训练，获得检测模型后导出TensorRT格式，部署至工控机实现毫秒级实时质检。系统输出缺陷位置坐标与置信度，同步生成每日检测统计报告供质量部门追溯。

能做什么

• 构建目标检测流水线，支持实时与高精度场景
• 训练自定义检测与分割模型
• 优化模型推理性能，导出ONNX/TensorRT格式
• 部署至云端GPU或边缘设备
• 处理视频分析与3D视觉任务

使用说明

安装依赖

# 基础环境
pip install torch torchvision ultralytics opencv-python

# 可选框架
pip install detectron2 mmdetection mmsegmentation
pip install onnx onnxruntime tensorrt openvino

快速开始

1. 生成训练配置：python scripts/vision_model_trainer.py models/ --task detection --arch yolov8
2. 分析优化机会：python scripts/inference_optimizer.py model.pt --target onnx --benchmark
3. 构建数据流水线：python scripts/dataset_pipeline_builder.py images/ --format coco --augment

训练流程

1. 定义检测需求（目标类别、实时性、部署环境）
2. 选择架构：实时选YOLOv8/v11，高精度选Faster R-CNN，小目标选+SAHI/FPN
3. 准备COCO格式数据集并划分训练/验证/测试集
4. 执行训练：yolo detect train data=data.yaml model=yolov8m.pt epochs=100 imgsz=640
5. 验证评估，导出最优模型

输入与输出

见下方输入与输出表格。

风险提示

• 训练需充足标注数据，小样本场景建议迁移学习
• 边缘部署需提前确认硬件算力与TensorRT版本兼容
• 视频分析任务注意帧率与延迟权衡
• 第三方框架（Detectron2/MMDetection）安装可能遇CUDA版本冲突

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/alirezarezvani/senior-computer-vision/SKILL.md
来源类型：GitHub仓库