计算机视觉专家

你在解决什么问题

实时检测、文本引导分割和 3D/深度感知往往各有一套模型与后处理：NMS 拖慢边缘推理、点选式 SAM 难以规模化、标定与深度学习管线割裂。本技能把 2026 世代 的检测、分割、VLM 与几何能力串成可落地的设计对话，而不是泛泛讲 OpenCV。

技能如何帮你推进

• 统一实时检测（YOLO26）：端到端 无 NMS 推理，配合去除 DFL、MuSGD 与 ProgLoss/STAL，面向 IoT/工业小目标与 ONNX/TensorRT/NPU 导出。
• 可提示分割（SAM 3）：Text-to-Mask 用自然语言定位对象；SAM 3D 做单/多视图重建；检测、分割、跟踪可共用一套逻辑。
• VLM 与几何：Florence-2、PaliGemma 2、Qwen2-VL 做视觉定位与 VQA；Depth Anything V2、亚像素 Charuco 标定与视觉 SLAM 补空间层。

典型组合：YOLO26 做候选框，SAM 3 做掩码细化；或 text-to-mask 隔离部件，避免为每种变体单独训检测器。

边界与注意点

• SAM 3 显存偏高时考虑量化/蒸馏；文本提示要具体（如「5mm 螺栓」），减少歧义。
• 运动模糊优先调曝光/快门，或依赖 SAM 3 时间一致性。
• 反模式：手搓 NMS 后处理、只做点选分割、沿用带 DFL 的旧导出管线。