雨轩 · 简历 | 人工智能 · 深度学习工程方向

🏆

国家级竞赛奖项

“挑战杯” / “互联网+” 大学生创新创业类竞赛 · 全国三等奖 （请确认奖项全称与获奖年份后补全，如：“挑战杯”全国大学生课外学术科技作品竞赛全国三等奖 · 2025）

本科毕业设计 · 独立负责 · 2026

YOLOv8PyTorch PyQt5ONNXSQLite

架构设计：提出“检测与分级解耦”的两阶段方案——YOLO 负责感知（果实定位、成熟度、缺陷区域），等级判定由可读规则引擎完成；调整分级标准无需重新训练模型，判定依据可追溯。
标准对齐：分级规则对齐农业行业标准 NY/T 3011—2016《芒果等级规格》（一级果缺陷面积 ≤ 5%、二级 ≤ 10%），将国标条文转化为机器可测的特征量。
数据工程：整合 Roboflow（17,000+ 张）与 Mendeley 公开数据集及自采图像，编写 VOC/Kaggle → YOLO 格式转换、MD5 去重、分组防泄漏切分、数据集自检等完整工具链。
工程质量：配套 28 个自动化测试（规则引擎单测 + 界面离屏冒烟测试），CI 前置拦截缺陷；推理支持 ultralytics / ONNX 双后端，可导出 TensorRT / OpenVINO。
系统落地：PyQt5 桌面系统，支持图片/文件夹/视频/摄像头实时检测，SQLite 存储历史记录，一键导出 Excel 分级报告。

📊 模型指标（云端训练进行中，完成后替换）：

mAP50：____ ｜ mAP50-95：____ ｜精确率：____ ｜召回率：____ ｜单张推理耗时：____ ms

基于 scikit-learn 的回归建模：特征工程（缺失值处理、类别编码、特征缩放）、多种回归模型对比与交叉验证调参，完成从数据清洗到评估的完整机器学习流程。

scikit-learnPandas

编写定向爬虫采集公开数据，完成清洗与结构化存储，用 Matplotlib / PyEcharts 构建多维度可视化图表，输出分析结论。

RequestsPyEcharts

使用 PyTorch 搭建 CNN 完成手写数字分类，理解并实现卷积、池化、反向传播等核心机制，测试集准确率达 99%+。

PyTorchCNN

深度学习 PyTorchYOLOv8 / ultralytics OpenCVCNN模型导出（ONNX）

编程与工具 Python（熟练）Git Linux 基础VSCode 远程开发

数据与工程 Pandas / NumPyscikit-learn SQLitePyQt5自动化测试

2022.09 — 2027.06（预计）