课程项目中负责车载场景目标检测流程搭建，基于PyTorch与YOLO系列模型完成数据增强、训练与验证集评估。在自建课程数据集（约2000张图像，按8:2划分）上对比3组学习率与批大小配置，记录mAP与单帧推理耗时，整理误检案例并输出实验报告，为后续小目标优化提供依据；通过调整锚框尺度与置信度阈值，验证集mAP提升约4个百分点，单帧推理耗时控制在30毫秒以内。

个人项目实现传统滤波与轻量CNN图像去噪对比，使用Python与OpenCV完成数据预处理，在公开小样本集（约500张图像，统一裁剪至256×256）上测试PSNR与运行时间。通过调整卷积层数与损失函数完成3轮迭代，记录不同噪声强度下的指标变化，并整理代码与实验说明文档；最终轻量CNN在高斯噪声下PSNR较中值滤波提升约2.1dB，单张图像处理耗时缩短约35%。