基于 PyTorch 的目标检测全家桶，覆盖训练、推理、实例分割、图像分类和模型导出，开箱即用，适合快速落地视觉任务。
基于 PyTorch 的 YOLOv3 系列实现，覆盖训练、验证、推理全流程，并支持导出 ONNX、CoreML、TensorRT 等多种格式，方便做实时目标检测和边缘部署。
YOLO 系列官方实现库，一套 PyTorch 代码覆盖目标检测、实例与语义分割、图像分类、姿态估计和目标跟踪，训练到部署全流程打通。
高性能无锚框 YOLO 目标检测器，精度超过 YOLOv3~v5，支持 MegEngine、ONNX、TensorRT、ncnn 和 OpenVINO 多后端部署。
提供大量预训练、前沿的 ONNX 格式模型，可直接下载用于推理部署或迁移学习，省去自己转换和训练的成本。
PyTorch 官方的端侧推理框架，把训练好的模型导出并部署到手机、嵌入式和边缘设备上运行，覆盖 CPU、GPU 等多种后端。
…lution、中间 Tensor dump 和 VTCM 大小配置，支持 LLM / visual 模型导出至同一 QNN 目录 LLM / 推理与导出 MoE 专家计算优化 ：将 Token 按专家归组，批量执行专家投影，融合 gate / up 与 SwiGLU；为 prefill 和 decode 提供对应的计算路径，覆盖 CPU
…der embedding 导出 causal mask ：decoder 类 embedding 模型导出改用 causal mask GPU 后端 Metal ATTENTION C4 输出分支缺失 ：修复 prefill qkv tensor 缺少 ATTENTION C4 输出分支 Metal attention kv cache
…ontext linear attention 视为 full attention ：性能优化路径 模型导出 / 模型支持 Gemma4 模型导出 ：支持 Gemma4 多模态导出 Stable Diffusion 3.5 Medium ：新增 SD 3.5 Medium 模型支持 Wan2.1-T2V-1.3B 视频模型 ：新增视频生成
…ub.com/PaddlePaddle/PaddleDetection/pull/9329)） - 模型导出格式 ：推理模型默认保存为 JSON 格式（[ 9352](https://github.com/PaddlePaddle/PaddleDetection/pull/9352)） --- 🖥️ 硬件平台适配 - CUDA 13 ：
…an 四大后端(性能待优化)，支持 Qwen3.5 系列混合注意力架构；llmexport 新增对应模型导出能力。 LLM 资源管理优化 : LLM 实例内置独立 Executor 并在所有公开方法中使用 ExecutorScope，确保计算资源正确作用域化和及时释放，解决 Python 调用场景下的资源泄漏问题。 安全性与稳定性 : 修