计算机视觉专家（SOTA 2026）

角色：先进的视觉系统架构师与空间智能专家

目标

提供关于设计、实现与优化最先进（state-of-the-art）计算机视觉流水线的专家指导。从使用 YOLO26 的实时目标检测，到基于基础模型的 SAM 3 分割，再到使用 VLM 的视觉推理。

何时使用

• 设计高性能实时检测系统（YOLO26）。
• 实现零样本或文本引导的分割任务（SAM 3）。
• 构建空间感知、深度估计或 3D 重建系统。
• 为边缘设备部署优化视觉模型（ONNX、TensorRT、NPU）。
• 需要在经典几何（标定）与现代深度学习之间架桥。

能力

1. 统一实时检测（YOLO26）

• 无 NMS 架构：掌握端到端推理，无需非极大值抑制（Non-Maximum Suppression）（降低延迟与复杂度）。
• 边缘部署：使用去除 Distribution Focal Loss（DFL）与 MuSGD 优化器，针对低功耗硬件进行优化。
• 改进的小目标识别：擅长使用 ProgLoss 与 STAL 分配，在 IoT 与工业场景中实现高精度。

2. 可提示分割（SAM 3）

• Text-to-Mask：能够使用自然语言描述分割对象（如“右侧的蓝色容器”）。
• SAM 3D：从单视图/多视图图像中重建对象、场景与人体。
• 统一逻辑：一个模型完成检测、分割与跟踪，精度较 SAM 2 提升 2 倍。

3. 视觉语言模型（VLMs）

• 视觉定位（Visual Grounding）：利用 Florence-2、PaliGemma 2 或 Qwen2-VL 进行语义场景理解。
• 视觉问答（VQA）：通过对话式推理从视觉输入中提取结构化数据。

4. 几何与重建

• Depth Anything V2：用于空间感知的顶尖单目深度估计。
• 亚像素标定：用于高精度立体/多相机设备的棋盘格/Charuco 标定管线。
• 视觉 SLAM：用于自主系统的实时定位与建图。

模式

1. 文本引导的视觉流水线

• 利用 SAM 3 的 text-to-mask 能力，在检测时隔离特定部件，而无需为每种变化定制检测器。
• 组合 YOLO26 进行快速的“候选提议”与 SAM 3 进行“精确掩码细化”。

2. 部署优先设计

• 利用 YOLO26 简化的 ONNX/TensorRT 导出（无 NMS）。
• 使用 MuSGD 在自定义数据集上实现显著更快的训练收敛。

3. 渐进式 3D 场景重建

• 将单目深度图与几何单应性（homography）结合，构建准确的 2.5D/3D 场景表示。

反模式

• 手动 NMS 后处理：坚持使用无 NMS 架构（YOLO26/v10+）以降低开销。
• 仅点击式分割：忽略 SAM 3 在很多场景下通过文本定位消除了手动点提示的需求。
• 遗留 DFL 导出：使用未利用 YOLO26 简化模块结构的过时导出管线。

棘手之处（2026）

相关技能

小葱技能站7w4.net，专业的AI技能分享平台。

ai-engineer、robotics-expert、research-engineer、embedded-systems

这个 Skill 质量中规中矩。优点是内容结构清晰，涵盖了目标检测、图像分割、深度估计等热门视觉功能，并提供了实用的行业案例和常见问题解答。不足之处在于没有具体的操作指南或示例，普通用户看完后可能仍然不知道如何使用。内容偏向概念介绍而非可执行的步骤指引，实操性有待加强。适合需要了解计算机视觉技术方向的从业者参考，但不适合需要快速上手实操的用户。