senior-computer-vision
Produktionsreife Computer-Vision-KI-Systeme entwickeln
متاح أيضًا من: davila7
Erstellen Sie Computer-Vision-Lösungen auf Enterprise-Niveau mit Objekterkennung, Bildsegmentierung und Echtzeit-Videoanalyse. Dieses Skill bietet fachkundige Anleitung zu PyTorch, OpenCV, YOLO und Vision-Transformern für den Produktivbetrieb.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "senior-computer-vision". How do I set up a training pipeline for detecting custom objects in images?
النتيجة المتوقعة:
- • Bereiten Sie den Datensatz im YOLO-Format vor (eine .txt-Datei pro Bild mit Bounding-Box-Koordinaten)
- • Verwenden Sie Ultralytics YOLO CLI oder PyTorch DataLoader mit benutzerdefinierten Augmentierungen
- • Beginnen Sie mit vortrainierten YOLOv8-Gewichten und feinjustieren Sie für 50–100 Epochen
- • Validieren Sie mit mAP@0.5 und Analyse der Konfusionsmatrix
- • Exportieren Sie für Produktionsinferenz nach ONNX oder TensorRT
استخدام "senior-computer-vision". What architecture should I use for real-time video analysis at 30 FPS?
النتيجة المتوقعة:
- • Ziehen Sie YOLOv8n oder YOLOv9 für das beste Speed-Accuracy-Trade-off in Betracht
- • Nutzen Sie Frame-Batching, um die GPU-Auslastung zu maximieren
- • Implementieren Sie Modellquantisierung (INT8) für 2–3x Geschwindigkeitsgewinn
- • Deployen Sie mit TensorRT auf NVIDIA-GPUs für optimale Performance
- • Fügen Sie asynchrone Verarbeitung mit separaten Inferenz- und Post-Processing-Threads hinzu
استخدام "senior-computer-vision". How do I optimize a vision model for edge deployment?
النتيجة المتوقعة:
- • Wenden Sie Post-Training-Quantisierung auf INT8 mit TensorRT oder ONNX Runtime an
- • Nutzen Sie Modellpruning, um redundante Kanäle und Layer zu entfernen
- • Erwägen Sie Knowledge Distillation, um Genauigkeit auf ein kleineres Modell zu übertragen
- • Testen Sie frühzeitig auf Zielhardware, um Leistungsziele zu validieren
- • Profilieren Sie mit torch.cuda.memory_stats(), um Engpässe zu identifizieren
التدقيق الأمني
آمنAll 69 static findings are false positives. The scanner incorrectly flagged documentation keywords (SAM, encryption, algorithm) and markdown code formatting without understanding context. The skill contains legitimate computer vision documentation and Python CLI templates with no network calls, cryptographic operations, or credential handling. Safe for marketplace distribution.
عوامل الخطر
⚙️ الأوامر الخارجية (1)
درجة الجودة
ماذا يمكنك بناءه
Individuelle Vision-Modelle trainieren
Erstellen und deployen Sie Objekterkennungsmodelle, die auf Ihren Datensatz zugeschnitten sind, mit produktionsreifen Trainings-Pipelines
Inferenz-Pipelines optimieren
Reduzieren Sie Latenz und erhöhen Sie den Durchsatz für Vision-Modelle durch Quantisierung und Modelloptimierung
Vision-AI-Produkte entwerfen
Planen und entwerfen Sie Computer-Vision-Funktionen für Produkte unter Berücksichtigung von Skalierbarkeit und Kosten
جرّب هذه الموجهات
Help me set up a YOLO object detection pipeline for [USE_CASE]. What steps do I need to prepare my dataset and train a model?
Create a step-by-step plan for implementing semantic segmentation using [FRAMEWORK] for a [USE_CASE] application.
Design a production deployment architecture for real-time object detection that handles [THROUGHPUT] requests per second with latency under [LATENCY]ms.
Analyze and optimize my computer vision inference pipeline. Current setup: [DESCRIBE_ARCHITECTURE]. Target: reduce latency by 50% while maintaining accuracy.
أفضل الممارسات
- Beginnen Sie stets mit vortrainierten Modellen und fine-tunen Sie, statt von Grund auf zu trainieren, um Datenbedarf zu reduzieren und die Konvergenz zu verbessern
- Implementieren Sie umfassende Datenaugmentation einschließlich zufälliger Spiegelungen, Color Jitter und Mosaic-Augmentation für robuste Modelle
- Verwenden Sie Versionskontrolle für Datensätze, Modelle und Trainingskonfigurationen, um reproduzierbare Experimente sicherzustellen
تجنب
- Training mit zufälliger Initialisierung ohne Transfer Learning – das verschwendet Rechenleistung und erfordert massive Datensätze
- Überspringen der Datenqualitätsprüfung – falsch gelabelte Bilder oder inkonsistente Annotationen verschlechtern die Modellleistung erheblich
- Bereitstellung von Modellen ohne angemessenes Monitoring für Data Drift und Concept Drift in Produktionsumgebungen
الأسئلة المتكررة
Welche Frameworks unterstützt dieses Skill?
Kann dieses Skill bei Videoanalyse helfen?
Brauche ich eine GPU für das Training?
Wie gehe ich mit unausgewogenen Datensätzen um?
Welche Genauigkeitsmetriken sollte ich verfolgen?
Kann ich auf Cloud-Plattformen deployen?
تفاصيل المطور
المؤلف
alirezarezvaniالترخيص
MIT
المستودع
https://github.com/alirezarezvani/claude-skills/tree/main/engineering-team/senior-computer-visionمرجع
main