- 在 VisDrone 或 SKU-110K 数据集上训练或微调 YOLO-Master-EsMoE-N 模型（可直接复用 Issue #1 或 #2 的 checkpoint） - 将训练好的模型导出到至少两种格式：ONNX + NCNN（或 ONNX + MNN） - 对 ONNX 使用 onnxsim 简化并验证 opset 兼容性；对 NCNN 使用 pnnx 转换并验证参数文件；可选尝试 INT8 量化，校准数据集不少于 300 张 - 实现边缘端推理代码（Python 或 C++），支持垂类图像预处理（如 SKU-110K 高分辨率 Resize + Letterbox、VisDrone 特定长宽比保留） - 后处理需针对垂类调优 NMS 参数（如 VisDrone 小目标可能需要更低 conf 阈值） - 使用 CMake 构建，确保至少在两个平台（如 Linux x86_64 + Linux ARM64 / NVIDIA Jetson / Windows）上编译并运行成功 - 在相同输入下（至少 500 张验证集图像），对比 PyTorch 原版与导出模型的 mAP50-95，目标误差 < 0.5%（非量化）或 < 1.0%（INT8 量化） - 若误差超出，提供逐层中间输出对比或单张可视化差异分析 - 报告边缘端推理延迟（ms/frame）和吞吐量（FPS），对比不同导出格式（ONNX vs NCNN vs MNN）的 benchmark 数据 完成后，在 GitHub Discussion 发表技术总结文章并提供部署仓库链接 可选：向 examples/ 目录发 Pull Request，补充垂类边缘端推理示例 https://github.com/Tencent/YOLO-Master https://github.com/Tencent/ncnn https://github.com/pnnx/pnnx https://github.com/Tencent/YOLO-Master/tree/main/examples/YOLOv8-MNN-CPP https://github.com/Tencent/YOLO-Master/tree/main/examples/YOLOv8-ONNXRuntime https://github.com/Tencent/YOLO-Master/tree/main/examples/YOLOv8-SAHI-Inference-Video https://github.com/Tencent/YOLO-Master/blob/main/ultralytics/engine/exporter.py 难度：中 --- **本issue为2026犀牛鸟开源人才培养活动专属issue，仅供已报名参与犀牛鸟活动的同学认领** 【认领时间】7月1日～7月31日（7月1日前认领视为无效❗️） 【认领方式】在本issue评论区回复“已认领本任务”，即视为认领成功 【活动报名】需提前完成犀牛鸟报名问卷，问卷将用于活动登记和奖励发放：https://wj.qq.com/s2/26888567/gh2q
完成后，在 GitHub Discussion 发表技术总结文章并提供部署仓库链接
可选：向 examples/ 目录发 Pull Request，补充垂类边缘端推理示例
https://github.com/Tencent/YOLO-Master
https://github.com/Tencent/ncnn
https://github.com/pnnx/pnnx
https://github.com/Tencent/YOLO-Master/tree/main/examples/YOLOv8-MNN-CPP
https://github.com/Tencent/YOLO-Master/tree/main/examples/YOLOv8-ONNXRuntime
https://github.com/Tencent/YOLO-Master/tree/main/examples/YOLOv8-SAHI-Inference-Video
https://github.com/Tencent/YOLO-Master/blob/main/ultralytics/engine/exporter.py
难度：中
本issue为2026犀牛鸟开源人才培养活动专属issue，仅供已报名参与犀牛鸟活动的同学认领
【认领时间】7月1日～7月31日（7月1日前认领视为无效❗️）
【认领方式】在本issue评论区回复“已认领本任务”，即视为认领成功
【活动报名】需提前完成犀牛鸟报名问卷，问卷将用于活动登记和奖励发放：https://wj.qq.com/s2/26888567/gh2q