成员：迟旭、刘竞聪、张津亮、李安琪、高鸣邦

**一、具身智能在这个项目中的体现

“具身智能 (Embodied AI)” 的核心在于智能体 (Agent) 能够通过自身的“身体” (Embodiment，如机器人、灵巧手) 与环境进行交互，通过感知环境来做出决策和行动，并从交互中学习。

1. 感知-行动循环 (Perception-Action Loop) 的基础框架：

   • 感知 (Perception)：
     • 核心体现： 使用CNN (YOLOv5) 处理D405相机（或模拟的图像/视频输入源）的视觉信息，识别和定位环境中的关键元素（即我们定义的障碍物）。
     • 代码体现： 成员D负责的检测脚本 (detect_image.py, detect_video.py) 就是感知模块的核心。它接收视觉输入，输出对环境的理解（障碍物的位置、类别）。
   • 决策/规划 (Decision Making/Planning - 简化版)：
     • 核心体现： 基于感知模块输出的障碍物信息，系统需要做出一个简单的“决策”。在一周内，这个决策可能非常简单，比如判断障碍物是否在关键区域、是否需要避让。
     • 代码体现： 成员D或成员A可以在检测脚本的输出部分，加入简单的逻辑判断。例如：

       # 在检测到物体后
       for *xyxy, conf, cls in detections:
           object_name = model.names[int(cls)]
           if object_name == "dangerous_obstacle" and conf > 0.7:
               # 假设 xyxy 定义了边界框
               # 这里可以加入一个简单的判断，比如障碍物是否在图像中心区域
               # if is_obstacle_critical(xyxy, image_width, image_height):
               print(f"警告：检测到关键障碍物 {object_name}！建议采取避让措施。")
               # 这里是“行动”的起点

   • 行动 (Action - 模拟或极简版)：
     • 核心体现： 根据决策，系统需要输出一个“动作指令”。在一周内，这个动作指令可能不是直接控制物理硬件，而是：
       • 打印文本指令： 如上述代码中的print语句。
       • 改变屏幕上的可视化： 比如在检测到障碍物时，在图像上用红色高亮显示，或显示一个“STOP”图标。
       • (如果时间允许且有现成简单接口) 调用一个预设的硬件动作： 比如，如果LEAP HAND有非常简单的API可以调用预设的姿态（如“停止并张开手掌”），可以在检测到特定障碍物时触发这个API调用。
     • 代码体现： 同样在检测脚本的后续逻辑中。

2. 环境交互的意图：

   • 虽然我们可能无法实现复杂的物理交互，但项目的目标是为了与环境交互而进行感知。我们检测障碍物是为了让灵巧手能够“知道”环境并做出“响应”（即使响应是模拟的）。这种面向交互的感知是具身智能的关键。

3. 模型在特定“身体”（D405相机视角）和特定环境下的应用：

   • 我们训练YOLOv5所使用的数据集（无论是公开的还是自定义的）都是从一个特定的“视角”（模拟D405的视角）观察到的特定“工作环境”。模型学习到的特征和检测能力是与这个“身体”和环境相关的。

在一周内，具身智能的体现更侧重于“感知环境以准备行动”的这个前半环，并将“行动”部分极大简化。 关键是建立起从视觉输入到初步决策（或指令建议）的流程。

**二、怎么控制硬件

1. 优先级最低，作为“锦上添花”： 首先确保CNN的障碍物检测算法能在PC上稳定运行并达到预期效果。

2. 寻找最简单的现有接口和示例：

   • D405相机：
     • 目标： 能否快速获取到图像帧并在Python中显示？
     • 方法： 查找Intel RealSense SDK的Python示例代码，看是否有简单的“打开相机并显示图像”的脚本。如果这个过程超过1-2小时还无法跑通，果断放弃或降级。
     • 代码贡献 (可分配给D或A)： 编写一个独立的 capture_D405_image.py 脚本，如果成功，可以将其实时帧作为检测脚本的输入源。
   • LEAP HAND灵巧手：
     • 目标： 能否通过Python脚本调用1-2个预设的、最简单的动作？（例如：完全张开、完全握拳、或者一个“停止”姿态）。
     • 方法： 查找LEAP HAND的SDK或API文档，看是否有极其简单的Python示例可以直接调用几个固定的动作ID或状态。不要尝试复杂的关节控制或轨迹规划。
     • 代码贡献 (可分配给A或有硬件经验的同学)： 编写一个独立的 control_leap_hand_simple.py 脚本，包含几个函数如 leap_hand_stop(), leap_hand_open()。

3. 如果直接硬件控制困难，采用模拟方式：

   • 模拟D405输入： 使用预先录制好的视频文件，或者一个图片文件夹作为检测脚本的输入源，模拟相机正在“看到”的场景。这是最稳妥的方式。
   • 模拟LEAP HAND响应：
     • 文本输出： 如前所述，在检测到障碍物时，打印出“灵巧手执行避障动作：向左移动”或“灵巧手停止”。
     • 可视化模拟： 如果有时间，可以用Pygame或OpenCV画一个简单的框代表灵巧手，在检测到障碍物时，让这个框改变颜色或位置。这需要额外的编码工作。

4. “开环”控制优先于“闭环”控制：

   • 开环： CNN检测 -> 判断 -> (如果硬件能动) 执行一个预设动作。动作执行后不根据新的视觉反馈调整。
   • 闭环： CNN检测 -> 判断 -> 执行动作 -> 再次CNN检测 -> 根据新的环境状态调整动作... 这个在一周内基本不可能。

结论：硬件控制在一周内，目标应该是“能让它动一下，证明概念可行”，而不是追求稳定、精确、复杂的控制。如果获取图像或调用预设动作非常复杂，果断放弃，专注于PC上的算法演示。

三、每个人在分工里都要写代码 (确保代码贡献的分布)

成员A (协调与算法)：

• CNN结构层面 (核心)：

  • 主导并实现至少一个明确的“CNN结构改进”尝试。 这可以是：

    1. 集成一个轻量级注意力模块： 选择一个如SEBlock或简单的通道/空间注意力，编写其PyTorch模块代码 (可AI辅助生成骨架)，然后在models/common.py中定义，并修改YOLOv5的.yaml配置文件（例如yolov5s_custom.yaml）在Backbone或Neck的特定位置插入该模块。这是最推荐的，因为代码量适中，又能体现结构修改。

    2. (如果时间更紧) 调整现有模块的参数或组合： 例如，在.yaml中尝试不同的C3模块重复次数，或者调整不同卷积层的out_channels，分析其对模型大小和性能的影响。这虽然改动小，但也算调整CNN结构参数。

  • 代码： models/common.py (新模块), models/yolov5s_custom.yaml (新配置)。

  • 解释： 解释为什么选择这个注意力模块/结构调整，它的原理是什么，如何集成到YOLOv5中，以及期望它带来什么效果。

• 训练参数/策略层面 (辅助)：

  • 指导C进行超参数调优，例如分析TensorBoard后建议调整学习率策略或数据增强参数。

  • 代码： 可能涉及修改hyp.scratch-*.yaml文件或train.py的调用参数。

  • 解释： 解释这些参数对训练过程的影响。

成员B (数据)：

• CNN相关代码 (间接但重要)：

  • 数据增强策略的理解与配置：

    • 深入研究YOLOv5 hyp.scratch-*.yaml 文件中定义的各种数据增强方法 (Mosaic, MixUp, HSV, flip, scale, translate等)。

    • 编写一个Python脚本，使用albumentations库或直接调用YOLOv5数据加载器中的增强函数，可视化这些增强在自定义数据集上的实际效果。

    • 根据对增强效果的理解和对自定义数据集特点的分析，尝试调整hyp.scratch-*.yaml中的增强参数，并与A和C讨论，作为一组实验进行对比。

  • 代码： visualize_augmentations.py, 修改后的hyp.scratch-custom.yaml。

  • 解释： 解释各种数据增强的原理，它们如何帮助CNN模型提高泛化能力，以及为什么选择调整特定的增强参数。

  • (可选，如果涉及RGB-D) 编写将深度图转换为适合CNN输入的伪彩色图或额外通道的预处理脚本。

成员C (模型训练与评估)：

• CNN相关代码 (主要在实验执行和分析层面)：

  • 执行A设计的CNN结构改进实验： 使用A提供的yolov5s_custom.yaml和修改后的代码进行训练。

  • 执行B建议的数据增强策略实验： 使用B调整后的hyp.scratch-custom.yaml进行训练。

  • 编写脚本对比不同CNN变体/训练策略的性能： 例如，加载多个不同实验训练出的.pt模型，在同一个测试集上运行评估，并将结果（mAP、Precision, Recall, F1-score等）汇总到表格或绘制对比图。

  • 代码： compare_model_performance.py，以及管理多组训练的shell/python脚本。

  • 解释： 如何通过实验验证CNN结构修改或训练策略调整的有效性，如何解读和对比各项性能指标。

• 训练参数/策略层面 (核心)：

  • 负责系统地调整核心训练超参数（学习率、优化器、batch size、epochs），进行多组实验，寻找最优组合。

  • 代码： 主要是train.py的命令行参数组合，以及记录这些实验的脚本。

  • 解释： 解释各个超参数的意义，它们如何影响训练，以及调参的策略和观察到的现象。

成员D (检测脚本与应用)：

• CNN相关代码 (主要在模型加载和输出解析)：

  • 理解YOLOv5模型的输出张量： 研究models/yolo.py中Detect模块的输出格式，以及utils/general.py中non_max_suppression函数如何处理这些输出来得到最终的边界框、置信度和类别。

  • 在自己的检测脚本中正确加载和使用不同版本的CNN模型： 确保能加载A或C训练出的不同.pt文件（包括基线模型和改进模型）。

  • (如果A的改进涉及到Head的微小调整) 需要在检测脚本中适配这种输出变化。

  • 代码： detect_*.py中模型加载、输入预处理、输出后处理部分。

  • 解释： YOLOv5检测头的输出是什么含义，NMS的作用是什么，如何将模型的原始输出转换为可视化的检测结果。

成员E (文档、演示与测试)：

• CNN相关代码 (测试和理解层面)：

  • 编写简单的单元测试或集成测试脚本，验证A、B、C、D编写的与CNN相关的核心函数或模块是否按预期工作。 例如：

    • 测试A实现的注意力模块，给定一个伪输入，看输出维度是否正确。

    • 测试B的数据增强可视化脚本是否能正常生成图片。

    • 测试D的检测脚本加载模型和处理单张图片的功能。

  • 代码： test_attention_module.py, test_data_augmentation_viz.py, test_detector_basic.py。

  • 解释： 测试的重要性，如何为CNN相关代码编写简单的测试用例，以及从团队成员处收集并整理他们对各自CNN相关代码的解释，写入最终报告的“方法”和“个人贡献”部分。

通过这样的细化：

• 成员A 负责最核心的CNN结构设计与实现决策，以及可能的编码。

• 成员B 的工作虽然围绕数据，但通过数据增强策略的调整和可视化脚本的编写，直接与CNN的训练输入和泛化能力相关。

• 成员C 通过执行不同CNN变体和训练策略的实验，并编写对比分析脚本，深入理解CNN性能。

• 成员D 在应用层面与CNN的输入输出打交道，理解模型如何被使用。

• 成员E 通过编写测试脚本和整理文档，确保对团队的CNN工作有整体的把握和质量控制。

---

好的，我们来把这个一周冲刺计划落实到更具体的YOLOv5代码修改、个人编写内容、协作流程以及先后顺序上。核心目标是在YOLOv5的框架内，让每个人都有机会修改或编写与CNN直接相关的代码，并理解其作用。

前提假设：

• 团队已有一个共享的GitHub仓库，YOLOv5作为外部依赖被克隆到项目的一个子目录（例如yolov5/）并被主项目的.gitignore忽略，或者团队决定在一个YOLOv5的fork上工作（这种情况下，修改可以直接在fork的YOLOv5代码中进行，但要注意保持分支清晰）。为简单起见，我们假设修改发生在YOLOv5代码的本地副本中，并且会将关键的修改或新增文件提交到你们自己的主项目仓库。
• 主要开发分支是 develop，最终稳定版本合并到 main。每个人从 develop 创建特性分支。
• AI辅助编码被允许并鼓励，但核心理解和解释由成员负责。

一、具体每个人需要修改YOLOv5的哪些代码 / 需要写什么？

成员A (协调与算法核心)：

• 主要负责的YOLOv5代码修改/编写：

  1. 模型配置文件 (.yaml) 的设计与修改 (核心CNN搭建体现)：
     • 文件： 复制一份官方的 yolov5/models/yolov5s.yaml (或其他尺寸) 并重命名为例如 yolov5_custom.yaml (这个文件放在你们自己项目的配置目录下，或者如果直接改YOLOv5的fork，就在那里改)。
     • 修改内容：
       • 集成新模块： 如果团队决定加入注意力机制或其他自定义模块，A负责在.yaml的backbone或neck部分正确地插入这些模块的调用，并配置其参数（如通道数）。
       • 调整结构参数： 尝试调整现有模块的深度（如C3模块的number参数）或宽度（如Conv模块的out_channels参数），以探索不同模型容量。
       • 代码示例 (yaml部分)：

         # In yolov5_custom.yaml
         backbone:
           # ... original layers ...
           [[-1, 3, C3, [128]], # Original C3
            [-1, 1, SEBlock, [128, 16]], # <-- A's new SEBlock integration (args: out_channels, reduction_ratio)
            [-1, 1, Conv, [256, 3, 2]],
           # ... rest of the backbone ...

  2. (可选，如果新模块复杂) yolov5/models/common.py 的新模块定义：
     • 文件： yolov5/models/common.py (或者将新模块定义在你们自己项目的一个custom_modules.py中，然后在.yaml里正确引用)。
     • 编写内容： 实现团队决定加入的新的CNN基础模块，例如SEBlock, CBAM, 或其他自定义卷积块。
     • 代码示例 (python部分)：

       # In common.py or custom_modules.py
       class SEBlock(nn.Module):
           def __init__(self, c1, r=16): # c1: input channels, r: reduction ratio
               super().__init__()
               self.squeeze = nn.AdaptiveAvgPool2d(1)
               self.excitation = nn.Sequential(
                   nn.Conv2d(c1, c1 // r, 1), # Use Conv2d for flexibility
                   nn.SiLU(),
                   nn.Conv2d(c1 // r, c1, 1),
                   nn.Sigmoid()
               )
           def forward(self, x):
               return x * self.excitation(self.squeeze(x))

  3. 训练脚本 (yolov5/train.py) 的调用参数优化与实验设计：
     • 虽然不直接修改train.py源码，但A负责设计实验，决定使用哪些--cfg (指向yolov5_custom.yaml), --hyp (指向自定义的超参数文件), --weights 等参数组合来训练和对比不同的CNN结构或训练策略。
  4. (可选) yolov5/utils/loss.py 的微调：
     • 如果决定尝试调整损失函数的不同组成部分的权重，或者引入一个非常微小的损失函数修改。

• 个人编写的独立脚本：

  • run_experiments.py (或shell脚本): 用于批量、可重复地运行不同配置的训练任务。
  • analyze_model_complexity.py: 脚本加载不同的.pt或.yaml定义的模型，分析其参数量(FLOPs)。

成员B (数据总管)：

• 主要负责的YOLOv5代码修改/编写：

  1. 数据增强超参数文件 (yolov5/data/hyps/hyp.scratch-*.yaml) 的理解与定制：
     • 文件： 复制一份官方的hyp.scratch-low.yaml (或medium/high) 并重命名为 hyp.scratch_custom.yaml。
     • 修改内容： 深入理解其中各项数据增强参数（如hsv_h, hsv_s, hsv_v, degrees, translate, scale, shear, perspective, flipud, fliplr, mosaic, mixup, copy_paste）的含义。根据对自定义数据集的观察和AI的建议，有针对性地调整这些参数的值或开启/关闭某些增强，以期提升模型在特定场景下的泛化能力。
  • 代码示例 (yaml部分)：

    # In hyp.scratch_custom.yaml
    degrees: 10.0  # 调整旋转角度范围
    translate: 0.15 # 调整平移范围
    scale: 0.6     # 调整缩放范围
    mixup: 0.1     # 调整MixUp的alpha参数
    # ... 其他参数 ...

• 个人编写的独立脚本：

  • data_formatter.py: 将公开数据集 (如COCO子集) 转换为YOLO TXT格式的脚本。
  • split_dataset.py: 将整理好的数据集划分为训练集、验证集、测试集的脚本。
  • analyze_dataset.py: 统计数据集中类别分布、标注框大小/长宽比分布的脚本，输出可视化图表。
  • visualize_augmentations.py: 加载YOLOv5的数据加载器 (LoadImagesAndLabels from utils/dataloaders.py)，并可视化经过不同数据增强参数处理后的样本图像，以直观理解增强效果。

成员C (模型训练与评估工程师)：

• 主要负责的YOLOv5代码修改/编写：

  1. (可选，如果A的改进涉及到损失函数) 协助A修改 yolov5/utils/loss.py：
     • 例如，调整ComputeLoss类中不同损失分量（box_loss, obj_loss, cls_loss）的平衡权重。
  2. yolov5/val.py 的理解与定制化输出 (如果需要)：
     • 深入理解val.py如何计算mAP等指标。
     • 如果需要输出更详细的每类别AP，或者特定的错误分析，可能需要微调val.py的绘图或日志记录部分。

• 个人编写的独立脚本：

  • training_manager.sh (或 .py): 编写脚本，使用不同的 --cfg, --hyp, --epochs, --batch-size 等参数组合，系统地调用 yolov5/train.py 来执行多组对比实验。
  • plot_training_curves.py: 编写脚本解析 runs/train/exp*/results.csv 或 TensorBoard 日志，使用Matplotlib/Seaborn绘制更美观或更具对比性的训练曲线 (如不同实验的mAP vs epochs)。
  • evaluate_models_detailed.py: 编写脚本加载多个训练好的 .pt 模型，在测试集上批量运行评估，并将所有关键指标（mAP@0.5, mAP@0.5:0.95, Precision, Recall, F1 per class）汇总到一张表格或生成对比报告。

成员D (检测脚本与应用工程师)：

• 主要负责的YOLOv5代码修改/编写：

  1. yolov5/utils/general.py 中 non_max_suppression 函数的理解：
     • 这个函数是检测结果后处理的核心。D需要理解其参数（如conf_thres, iou_thres, classes, agnostic_nms）如何影响最终的检测输出。
  2. yolov5/utils/plots.py 中绘图函数的理解与定制 (如果需要)：
     • 理解 plot_one_box 等函数是如何在图像上绘制边界框和标签的。
     • 如果需要自定义绘制样式（如不同颜色的框代表不同置信度，或者添加额外的文本信息），可以复制并修改这些函数。

• 个人编写的独立脚本 (核心贡献)：

  • detect_image_custom.py: 加载训练好的.pt模型，接收单张图片作为输入，进行障碍物检测，并在图片上清晰地绘制边界框、类别标签、置信度，最后保存或显示结果图片。这个脚本需要D从头编写，但可以大量参考 yolov5/detect.py 的逻辑。
  • detect_video_custom.py: 类似上一个脚本，但输入是视频文件或摄像头ID，逐帧进行检测并显示/保存。
  • process_detections.py: (可选) 一个模块，包含D编写的函数，用于进一步处理detect_*.py脚本得到的原始检测结果列表（例如，根据障碍物位置或大小进行筛选，或者实现一个简单的基于规则的响应逻辑）。

成员E (文档、演示与测试工程师)：

• 主要负责的YOLOv5代码修改/编写：

  1. (可选，如果团队决定) 参与 yolov5/export.py 的使用和理解：
     • 学习如何将训练好的.pt模型转换为ONNX或其他格式，这可能有助于后续的（模拟）部署或性能分析。
  2. 为其他成员编写的CNN相关模块或核心脚本编写测试用例。

• 个人编写的独立脚本：

  • test_custom_module.py: (配合A或C) 如果A或C实现了新的CNN模块 (如SEBlock)，E可以编写一个简单的单元测试脚本，输入伪数据，检查模块的输出形状和基本功能。
  • test_detection_script.py: (配合D) 编写一个简单的集成测试脚本，使用几张固定的测试图片输入到D的detect_image_custom.py，然后检查输出图片是否生成，或者（如果可能）输出的检测结果文本是否包含预期的内容（这比较难做精确断言，但至少保证脚本能跑通）。
  • generate_report_assets.py: (可选) 编写脚本自动从训练日志、评估结果中提取数据，生成用于报告或PPT的图表和表格。

二、整个协作流程是怎样的？需要谁先干什么？后干什么？

Day 0 (准备日 - A可以提前开始)：

• A： 创建GitHub仓库，初始化main和develop分支，设置分支保护规则。克隆YOLOv5官方仓库到本地作为参考。确定一个基础的YOLOv5版本（如v5s）。

Day 1-2: 项目启动、数据与环境并行

• 并行任务：
  • A： 熟悉YOLOv5代码结构，设计初步的CNN改进方案（如决定加入SEBlock），搭建自己的核心开发环境。在develop分支上创建特性分支 feature/A/initial_setup_and_cnn_plan。
  • B： 开始调研公开数据集，编写数据格式转换脚本的初稿。在develop分支上创建特性分支 feature/B/dataset_preprocessing_scripts。
  • C： 搭建训练环境，跑通YOLOv5官方示例训练，熟悉train.py和val.py的用法。在develop分支上创建特性分支 feature/C/training_env_setup。
  • D： 搭建检测环境，跑通detect.py，开始构思自己的检测脚本。在develop分支上创建特性分支 feature/D/detection_script_design。
  • E： 熟悉Git协作流程，创建报告和PPT框架，开始写README.md。在develop分支上创建特性分支 feature/E/docs_and_ppt_setup。
• 依赖关系： B的数据处理脚本需要尽快提供给C进行训练。
• 每日结束： 每个人将自己的特性分支推送到远程，并向develop分支发起PR（即使未完成，也可以是Draft PR，用于代码分享和早期反馈）。A负责审查和合并（如果成熟）。

Day 3-4: 数据就绪，首次训练，检测脚本开发

• 先后顺序与并行：
  1. B (先)： 完成第一批数据集的转换、合并、配置文件创建。将相关脚本和配置文件合并到develop。
  2. C (基于B的成果)： 使用B准备好的数据集和A（可能已经合并的）yolov5_custom.yaml（如果A已经做了初步修改）开始首次模型训练。持续监控和记录。
  3. A (并行)： 如果决定添加新CNN模块（如SEBlock），开始在common.py（或自定义文件）中编码实现，并更新yolov5_custom.yaml。不断在自己的特性分支上测试。
  4. D (并行)： 继续开发detect_image_custom.py和detect_video_custom.py，目标是能加载一个（可以是官方预训练的）.pt模型并进行检测。
  5. E (并行)： 根据B的数据集描述和A/C的计划，撰写报告的“数据集”和“模型方法”部分。开始为B和D的代码编写简单的测试思路。
• 每日结束： 各自推送，向develop发起PR。A和C重点关注训练进展。

Day 5-6: 模型评估，迭代改进，脚本完善

• 先后顺序与并行：
  1. C (先)： 完成第一轮（或迭代轮）训练，生成评估报告和模型权重，提交到develop (PR方式)。
  2. A (基于C的评估结果)： 分析模型性能。如果A之前实现了新的CNN模块或结构调整，并且已经通过了初步测试，现在可以用C训练出的权重（或重新训练）来评估这个改进的效果。这是A体现CNN改进代码的关键点。
  3. D (基于C提供的模型权重)： 将C训练好的模型加载到自己的检测脚本中，进行实际效果测试和脚本优化。
  4. B (并行)： 根据A和C的反馈，看是否需要对数据增强参数 (hyp.scratch_custom.yaml) 进行调整，并准备一小批新的测试图片。
  5. E (并行)： 撰写报告的“实验结果与分析”部分，为A/C/D的代码编写测试脚本。
• 每日结束： 推送，PR。重点是验证A的CNN改进是否有效。

Day 7: 整合，最终测试，报告与演示冲刺

• 并行冲刺：
  • A： 最终确认用于演示的模型版本和相关配置。审查所有合并到develop的代码。将develop分支的稳定内容合并到main分支。
  • B： 提供最终的数据集统计和样例。
  • C： 确保所有训练日志和评估结果完整。
  • D： 确保检测脚本在演示时能流畅运行，准备好演示素材。
  • E： 核心： 完成报告和PPT的最终整合、排版、校对。组织演示排练。
• 最终交付： 所有成果汇总到main分支并推送到GitHub。

协作流程总结：

1. 每日站会： 5-10分钟，同步进度、问题、计划。
2. 任务拆分与认领： 基于上述计划，每个人认领当日或阶段性的小任务。
3. 特性分支开发： git checkout -b feature/...
4. 本地编码与提交： git add ., git commit -m "..." (小步快跑)
5. 推送特性分支： git push origin feature/... (每日至少一次)
6. Pull Request (PR) 到 develop： 完成一个阶段性功能或修复后，发起PR。清晰描述PR内容。
7. Code Review (快速)： A或其他指定成员快速审查PR，提出修改意见或批准。
8. 合并PR到 develop： A负责合并。
9. 同步 develop： 其他成员定期 git checkout develop, git pull origin develop，然后回到自己的特性分支 git rebase develop (或 git merge develop) 以保持与主开发线同步。
10. 最终阶段： A将稳定的 develop 分支合并到 main 分支作为最终交付。

这个流程强调了并行、小步快跑和持续集成。每个人都有明确的、与CNN相关的代码编写任务，并且通过PR和代码审查来保证协作的质量。AI辅助将大大加快每个人的编码和理解速度。