vision-engine

A high-performance vision inference engine with pipeline orchestration, multi-GPU scheduling, and modular algorithm integration.

项目目标

vision-engine 面向可扩展视觉算法工程化，采用模块化组织方式，支持按任务快速接入、验证和批量处理，当前包含：

• 目标检测（Object Detection）
• 图像去噪（Denoise）
• 超分辨率（Super Resolution）
• 切片压缩（Tiling Compress）
• 模板模块（Template，用于新算法快速接入）

目录结构

vision-engine/
├── models/
│   ├── denoise/
│   ├── object-detection/
│   ├── super-resolution/
│   ├── tiling-compress/
│   └── template/
├── pyproject.toml
├── setup.py
├── requirements.txt
└── README.md

各算法目录通常包含：

• README.md：模块说明与使用方式
• requirements.txt：模块依赖
• *-demo.py / test_batch_*.py：单图与批处理示例
• algorithms.md：模型/算法选型与说明（按模块提供）

环境准备

当前推荐安装流程：

conda create -n vision-engine python=3.10
conda activate vision-engine
pip install torch==2.7.1 torchvision --index-url https://download.pytorch.org/whl/cu128
pip install -r requirements.txt

兼容性备注：

torch260+cu124+flash273
torch280+cu128+flash283

使用方式（初始版）

建议按模块进入对应目录运行示例脚本，例如：

cd models/object-detection
python yolo_detection-demo.py

或执行批处理脚本（以模块内 README 为准）。

开发约定（初始）

• 新增算法优先放入 models/<task-name>/
• 目录内保持统一结构：README + requirements + demo + batch script
• 模块依赖尽量局部化，避免影响全局环境
• 先保证可运行，再逐步补充性能优化与工程化接口