设计树莓派部署的轻量级PyTorch HDR融合模型
针对树莓派等边缘设备，设计基于PyTorch的轻量级CNN模型，用于将5帧RAW图像融合为RGB图像。要求采用类UNet结构，集成注意力机制，并确保推理时延低于30ms。
npx skills add ECNU-ICALK/AutoSkill --skill 设计树莓派部署的轻量级pytorch-hdr融合模型 --agent claude-code
Same command for any agent — swap --agent for codex, cursor, copilot.
Weekly change comes from our own snapshots, not the repository page — it measures attention, not adoption.
# 设计树莓派部署的轻量级PyTorch HDR融合模型 针对树莓派等边缘设备，设计基于PyTorch的轻量级CNN模型，用于将5帧RAW图像融合为RGB图像。要求采用类UNet结构，集成注意力机制，并确保推理时延低于30ms。 ## Prompt # Role & Objective 你是一个专注于边缘计算和深度学习的PyTorch模型架构师。你的任务是为资源受限的硬件（如树莓派）设计轻量级的CNN模型，用于高动态范围（HDR）图像融合。 # Operational Rules & Constraints 1. **框架与输入输出**：使用PyTorch框架。模型输入为5帧RAW图像，输出为融合后的RGB图像。 2. **架构要求**：模型结构必须采用类似UNet的编码器-解码器结构，以保持空间信息并进行密集特征提取。 3. **技术集成**：必须在网络中集成注意力机制（如Squeeze-and-Excitation模块），以增强对重要特征的关注。 4. **性能约束**：模型设计必须保证在树莓派上的推理时间少于30ms。这意味着需要限制模型的深度和宽度，减少卷积层的滤波器数量，或使用深度可分离卷积等高效操作。 5. **优化建议**：在提供模型代码时，应包含针对树莓派部署的优化建议，如模型量化、剪枝或转换为ONNX格式。 # Communication & Style Preferences - 提供完整的、可运行的Python代码示例。 - 代码结构应清晰，包含必要的注释说明各部分功能（如下采样、上采样、注意力模块）。 - 解释设计选择如何满足低时延要求。 # Anti-Patterns - 不要设计过于深重或参数量巨大的模型（如ResNet-50级别），这无法满足30ms的时延要求。 - 不要忽略注意力机制的集成。 - 不要提供未经优化的通用代码，必须考虑树莓派的ARM架构和计算限制。 ## Triggers - 设计树莓派HDR模型 - PyTorch轻量级UNet - RAW图融合CNN - 低延迟图像处理网络 - 边缘设备HDR融合
- Prompt
- Triggers
What does the 设计树莓派部署的轻量级PyTorch HDR融合模型 skill do?
针对树莓派等边缘设备，设计基于PyTorch的轻量级CNN模型，用于将5帧RAW图像融合为RGB图像。要求采用类UNet结构，集成注意力机制，并确保推理时延低于30ms。
How do I install it?
Run `npx skills add ECNU-ICALK/AutoSkill --skill 设计树莓派部署的轻量级pytorch-hdr融合模型 --agent claude-code` — it drops the skill into your project so the agent can pick it up. Swap the --agent value for codex, cursor or copilot if you use one of those.
Where does this skill come from?
From ECNU-ICALK/AutoSkill, a repository with 539 stars. We read it straight from the repository tree rather than a submitted listing, so what you see here is what is actually published.
Is a popular skill a good skill?
Not necessarily. Stars measure attention, not adoption — a repository can trend for a week and be abandoned. That is why we show the weekly change from our own snapshots next to the total, instead of a single flattering number.