在《计算机视觉》综合项目中负责模型设计与训练调优，基于公开数据集搭建检测流程，用Python与PyTorch完成数据增强、学习率与损失权重对比实验；在固定验证集上迭代五组配置，最优方案较基线mAP提升约4个百分点，并整理实验对比表与课程报告，组织组内复核结果，针对小目标漏检问题补充多尺度特征融合与难例挖掘策略，进一步验证召回率提升情况。

围绕感知模型端侧落地开展个人实践，用PyTorch训练小型分类网络并进行剪枝与量化，导出后在树莓派4B上测试单帧推理耗时与内存占用；与原始模型在同一测试集上对比，延迟下降约35%、精度损失控制在2个百分点内，并形成可复现脚本与部署说明文档，同时记录不同量化位宽下的精度与速度权衡，为后续嵌入式部署方案选型提供参考依据。