项目背景
在 VIA Technologies 的计算机视觉算法实习中，使用公司工厂与汽车数据，参与安全相关视觉检测。以下工作是公司场景中的个人参与部分，不代表整个团队项目。
项目目标
改进小目标和遮挡目标的检测，并将模型推理接入嵌入式安全监测流程。
我的贡献
- 复现并微调 YOLOv8、SAM 和 Florence-v2。
- 使用数据增强与置信度融合改进目标检测。
- 结合 PyTorch／TensorRT 与快速预筛选优化推理流程。
- 集成模型输出，支持公司数据上的本地快速更新。
方法与过程
- 在工厂与汽车数据上复现、微调模型，并对比单模型基线。
- 针对小目标和遮挡目标使用增强与置信度融合。
- 在推理链路中引入快速预筛选，并使用 TensorRT 优化。
结果
- 简历记录：准确率由 60% 提升到 85%。
- 简历记录：对比单模型基线，mAP 提升约 12%；相对／绝对提升口径待补充。
- 简历记录：吞吐量由 3 FPS 提升到 10 FPS。
以上为简历报告的相关流程结果。测试样本数、准确率定义、mAP 阈值、12% 的相对／绝对口径、硬件配置及团队归因待补充；不作额外推断。