YOLOv5/v6/v8/v10/v11/v12）、MMDetection、PaddleDetectionDeepSeek-R1-Distill-Qwen-1.5B、Qwen2-VL-2B等VLM/LLM端侧部署经验技术栈：目标分类（ResNet）、目标检测（YOLOv8）、旋转框检测（YOLOv8-OBB）、目标跟踪（Bot-SORT）
关键创新：
使用角度敏感损失 + 数据增强（重采样/copy-paste）提高大货车强光灯检测效果，mAP@0.5提升12.3%
增加轨迹持续时间 + 注意力机制（CBAM模块聚焦非机动车关键区域）+ 基于运动特征的阈值过滤（过滤异常减速），降低非机动车闯红灯误报率至<1.5%
大货车非法加装强光灯检测子系统：大货车非法加装强光灯检测子系统
目标：实时获取海康平台Kafka流中大货车过车图片URL，检测此图片是否有非法加装的强光灯
解决方案：使用Python获取Kafka流数据，实时发送给YOLOv8 Flask集群进行检测（将Pytorch model转为OpenVINO IR部署在Intel Xeon Gold 5218R CPU@2.1GHz上），将最后结果发送给MQTT服务器并存储MySQL
成果：程序19：00 - 5：00开启，部署于诸暨市交警机房，每日图片吞吐量为10万+，精确率97%+，召回率85%+，平均识别时间0.3秒/每张图片（原先方案使用Pytorch model为0.6秒/每张图）
非机动车闯红灯检测跟踪项目：非机动车闯红灯检测跟踪子系统
目标：根据视频流检测非机动车并跟踪，结合当前红灯情况判断是否闯红灯
解决方案：OpenCV实时获取视频RTSP流，使用YOLOv8间隔帧检测并跟踪非机动车，根据配置的左转、直行、右转红灯区域使用自定义ResNet18进行检测，保存闯红灯照片（包含轨迹），发送JSON数据给MQTT服务器并存储MySQL
成果：在3台服务器共14张NVIDIA T4上部署项目监控50路视频，红灯检测0.03秒/每帧，YOLOv8检测跟踪0.05秒/每帧，内存占用3G/每路，显存占用1.5G/每路，带宽4M/每路，准确率98.5%+，召回率85%+
任务：跌倒检测（图像/视频级） + 吸烟/玩手机检测（图像级）
技术栈：关键点检测（YOLOv8-Pose）、图卷积（STGCN）、目标检测（YOLOv8）
关键创新：
跌倒检测视频方案：YOLOv8-Pose + 时空特征模型（STGCN），关键点轨迹分析
跌倒检测图片方案：YOLOv8检测躺着的人，与床/沙发/椅子没有交集则认为跌倒
小目标优化：引入GSConv替换标准卷积，吸烟检测AP@0.5提升8.7%
部署：云端T4显卡TensorRT FP16模型单张图片推理时间14ms，端侧rk3588单张图片推理时间为28ms
成果：部署于云端面向C端客户，每月巡检精确率95.2%
端侧部署：
RK3588平台完成YOLOv5/v10/v8-p2/v8/RetinaFace等模型部署（量化+零拷贝），CPU利用率降低40%
实现INT8量化校准工具链，精度损失<0.5%
大模型探索：
RK3588 Qwen-VL 2B图文问答POC，探索VLM在工业质检的应用（onnx -> rknn(量化) -> Gradio/Flask部署）ASR/TTS模型探索:
Wav2Vec2/Whisper/Zipformer ASR模型量化（int8）部署，MMS_TTS/MeloTTS TTS模型量化（int8）部署| 全日制专业学位硕士 | 计算机技术 | 南华大学（统招 2019-2022） |
| 计算机科学与技术学士 | 计算机科学与技术 | 衡阳师范学院（统招 2015-2019） |
| 证书：软件设计师（中级） | 系统集成项目管理工程师（中级） | CET-6 |
