摘要： 本文介绍了开源项目 DSH极简模式视觉插件（Flora233333/dsh-minimal-vision），专为DeepSeekHarness（DSH）极简模式设计，通过轻量化实现图像理解能力，同时保持原生极简模式的简洁性。插件特点包括： 无侵入性：不新增工具、不改写systemprompt，仅通过折叠的上下文注入视觉信息，需时调用Bash命令触发。 结构化输出：内置5类任务（如幻灯片排版

【STM32H7实时SSD目标检测实现】 本项目在STM32H750单片机上实现了SSD目标检测网络的实时推理，使用OV5640摄像头和SPI LCD显示检测结果。关键点如下： 硬件选型：STM32H750XBH6(480MHz Cortex-M7，2MB Flash，1MB RAM)，配备DMA2D图形加速 模型选择：采用ST官方st_ssd_mobilenet_v1(输入192x192x3 u

在STM32H7微控制器上成功部署MobileNetV2图像分类模型，实现12FPS实时推理。项目使用STM32H723ZGT6（550MHz Cortex-M7）、OV5640摄像头和SPI LCD，通过X-CUBE-AI工具链将量化后的MobileNetV2_0.35模型（输入128×128 uint8，输出15类float）转换为C代码。关键优化包括：选择宽度乘数α=0.35减小模型体积（6

在STM32H7微控制器上成功部署MobileNetV2图像分类模型，实现12FPS实时推理。项目使用STM32H723ZGT6（550MHz Cortex-M7）、OV5640摄像头和SPI LCD，通过X-CUBE-AI工具链将量化后的MobileNetV2_0.35模型（输入128×128 uint8，输出15类float）转换为C代码。关键优化包括：选择宽度乘数α=0.35减小模型体积（6

【STM32H7实时SSD目标检测实现】 本项目在STM32H750单片机上实现了SSD目标检测网络的实时推理，使用OV5640摄像头和SPI LCD显示检测结果。关键点如下： 硬件选型：STM32H750XBH6(480MHz Cortex-M7，2MB Flash，1MB RAM)，配备DMA2D图形加速 模型选择：采用ST官方st_ssd_mobilenet_v1(输入192x192x3 u

在STM32H7微控制器上成功部署MobileNetV2图像分类模型，实现12FPS实时推理。项目使用STM32H723ZGT6（550MHz Cortex-M7）、OV5640摄像头和SPI LCD，通过X-CUBE-AI工具链将量化后的MobileNetV2_0.35模型（输入128×128 uint8，输出15类float）转换为C代码。关键优化包括：选择宽度乘数α=0.35减小模型体积（6

在STM32H7微控制器上成功部署MobileNetV2图像分类模型，实现12FPS实时推理。项目使用STM32H723ZGT6（550MHz Cortex-M7）、OV5640摄像头和SPI LCD，通过X-CUBE-AI工具链将量化后的MobileNetV2_0.35模型（输入128×128 uint8，输出15类float）转换为C代码。关键优化包括：选择宽度乘数α=0.35减小模型体积（6