| 使用环境 |
在计算机视觉领域，针对图像分类和目标检测任务，使用高效的卷积神经网络架构进行视觉识别。适用于需要在资源受限的设备上运行的场景 |
| 使用对象 |
图像分类任务中的各类别图像，目标检测任务中的各类目标物体。 |
| 使用目的 |
通过高效的网络架构设计，实现高准确率的图像分类和目标检测，同时降低模型的参数量和计算量，提高模型的运行效率和实用性。 |
| 输入数据 |
RGB图像帧，分辨率224×224或256×256。 |
| 输出数据 |
图像分类任务中的类别标签，目标检测任务中的目标类别、位置（边界框）和置信度。 |
| 硬件配置 |
CPU：Intel Core i7-12700K，具备高性能多线程处理能力。
GPU：NVIDIA A100，CUDA 11.0，显存容量40GB，用于加速深度学习模型的训练和推理。
内存：64GB DDR4，满足深度学习模型对内存的需求。
硬盘：2TB NVMe SSD，用于存储大量的图像数据和模型文件。 |
| 样本获取 |
在ImageNet数据集上进行图像分类任务的训练和测试，包含1000个类别，约120万训练图像和5万验证图像。在COCO数据集上进行目标检测任务的训练和测试，包含80个类别，约20万训练图像。 |
| 测试结果 |
图像分类：在ImageNet-1k基准测试中，SpaRTAN-T模型达到77.7%的准确率，参数量3.8M，计算量约1.0GFLOPs。
目标检测：在COCO基准测试中，SpaRTAN-T模型达到50.0%的AP（平均精度），参数量21.5M。 |
| 执行速度 |
图像分类任务中，单次识别速度约为10ms/次；目标检测任务中，单次检测速度约为50ms/次。 |
| 资源消耗 |
单独运行算法时，CPU平均计算占比约70%，GPU平均计算占比约90%，内存使用占比约70%。 |
| 源码类型 |
提供Python版本源码，采用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件25K，权重文件67M。 |
| 相关备注 |
|
