跳到主要内容

YOLOv8 Pose

本文档讲述如何在 NPU 上运行 YOLOv8 Pose。

信息

参考 Model Zoo 下载获取示例。

YOLOv8 Pose 示例目录结构：

$ tree ./
./
├── CMakeLists.txt
├── convert_model
│   ├── config_yml.py
│   ├── convert_model_env.sh
│   ├── python
│   │   ├── onnx_extract.py
│   │   └── yolov8s-pose_640.txt
│   └── yolov8s-pose_9.txt
├── figures
│   ├── diff_img.png
│   └── out_yolov8_pose_pcq.png
├── main.cpp
├── model
│   └── COCO_train2014_000000500390.jpg
├── model_config.h
├── README.md
├── yolov8_pose_9_post.cpp
└── yolov8_pose_9_pre.cpp

模型转换​

配置虚拟环境​

X86 Linux PC
python -m venv .venv && source .venv/bin/activate
pip install ultralytics==8.1.0 onnxsim

导出 onnx 模型​

X86 Linux PC
cd convert_model/python/
yolo export model=yolov8s-pose.pt format=onnx dynamic=True opset=11

固定 shape​

X86 Linux PC
python3 -m onnxsim yolov8s-pose.onnx yolov8s-pose_640.onnx --input-shape=1,3,640,640

裁剪模型​

X86 Linux PC
python3 onnx_extract.py
cd ..

创建转换脚本的软链接​

X86 Linux PC
./convert_model_env.sh

模型导入/量化/转换​

需要先进入容器开发环境。可以参考 Model Zoo 下载中创建容器这一部分。

信息

不同平台请使用对应的 Docker 镜像：

  • A733：ubuntu-npu:v2.0.10.1
  • T527：ubuntu-npu:v1.8.11
X86 Linux PC
docker exec -it model-zoo /bin/bash

进入容器对应目录之后运行脚本。

X86 Linux PC
cd /workspace/examples/yolov8_pose/convert_model/
X86 Linux PC
./pegasus_import.sh yolov8s-pose_9
./pegasus_quantize.sh yolov8s-pose_9 uint8 12
X86 Linux PC
./pegasus_export_ovx_nbg.sh yolov8s-pose_9 uint8 a733

导出的模型文件存放在../model目录。

编译示例​

接下来可以编译示例，先 exit 退出容器，然后执行下面的命令编译示例。

首先需要配置第三方库和交叉编译工具链。

信息

如果你已经在其他示例中配置过第三方库和交叉编译工具链则可以跳过这一步。

X86 Linux PC
cd ../../../3rdparty/opencv/
unzip opencv-4.9.0-aarch64-linux-sunxi-glibc.zip
cd ../../0-toolchains/

需要先手动点击链接下载之后放到 0-toolchains/ 再执行下面的命令：

X86 Linux PC
tar -xvf gcc-arm-10.2-2020.11-x86_64-aarch64-none-linux-gnu.tar.xz
X86 Linux PC
cd ../examples/yolov8_pose/
X86 Linux PC
../build_linux.sh -t a733 -s debian11

模型部署​

编译示例完成之后，示例会安装到 install 目录，可以使用 scp 传输到板端。

配置 NPU 驱动​

信息

如果你已经在其他示例中配置过 NPU 驱动则可以跳过这一步。

将驱动库 scp 传输到板端的 lib 目录。

  • A733 对应 common/lib_linux_aarch64/A733 目录
  • T527 对应 common/lib_linux_aarch64/T527 目录

然后执行下面的命令导出到环境变量。

Radxa SBC
echo 'export LD_LIBRARY_PATH=$HOME/lib:$LD_LIBRARY_PATH' >> ~/.bashrc

运行示例​

配置好驱动之后就可以运行示例了。

提示

对于 T527 平台，你还需要参考 A5E 的板端启用 NPU文档先启用 NPU ，然后使用下面的命令增加当前用户使用 /dev/vipcore 的权限。

Radxa SBC
sudo chmod 777 /dev/vipcore
Radxa SBC
cd yolov8_pose_demo_linux_a733/
Radxa SBC
chmod +x ./yolov8_pose_demo_a733
./yolov8_pose_demo_a733 -nb model/yolov8s-pose_9_uint8_a733.nb -i model/COCO_train2014_000000500390.jpg

运行结果如下：

$ ./yolov8_pose_demo_a733 -nb model/yolov8s-pose_9_uint8_a733.nb -i model/COCO_train2014_000000500390.jpg
model_file=model/yolov8s-pose_9_uint8_a733.nb, input=model/COCO_train2014_000000500390.jpg, loop_count=1, malloc_mbyte=10
VIPLite driver software version 2.0.3.2-AW-2024-08-30
input  0 dim 3 640 640 1, data_format=2, quant_format=0, name=input/output[0], none-quant
output 0 dim 80 80 64 1, data_format=0, name=uid_17_out_0b_uid_1_out_0, none-quant
output 1 dim 80 80 1 1, data_format=0, name=uid_16_out_0b_uid_1_out_0, none-quant
output 2 dim 80 80 51 1, data_format=0, name=uid_15_out_0b_uid_1_out_0, none-quant
output 3 dim 40 40 64 1, data_format=0, name=uid_14_out_0b_uid_1_out_0, none-quant
output 4 dim 40 40 1 1, data_format=0, name=uid_13_out_0b_uid_1_out_0, none-quant
output 5 dim 40 40 51 1, data_format=0, name=uid_12_out_0b_uid_1_out_0, none-quant
output 6 dim 20 20 64 1, data_format=0, name=uid_11_out_0b_uid_1_out_0, none-quant
output 7 dim 20 20 1 1, data_format=0, name=uid_10_out_0b_uid_1_out_0, none-quant
output 8 dim 20 20 51 1, data_format=0, name=uid_9_out_0ub_uid_1_out_0, none-quant
nbg name=model/yolov8s-pose_9_uint8_a733.nb, size: 7768344.
create network 0: 18985 us.
prepare network: 5711 us.
buffer ptr: 0x28344380, buffer size: 1228800
network: 0, loop count: 1
run time for this network 0: 32958 us.
output 0, ptr 0x28470480, size 409600.
output 1, ptr 0x28600500, size 6400.
output 2, ptr 0x28606980, size 326400.
output 3, ptr 0x28745640, size 102400.
output 4, ptr 0x287a96c0, size 1600.
output 5, ptr 0x287ab040, size 81600.
output 6, ptr 0x287fabc0, size 25600.
output 7, ptr 0x28813c80, size 400.
output 8, ptr 0x28814340, size 20400.
post process time : 4 ms
detection num: 3
 0:  93%, [ 373,    1,  587,  346], person
411.58 41.32 = 0.98922
419.64 35.78 = 0.98396
416.36 37.19 = 0.76423
440.57 37.33 = 0.97060
422.52 38.08 = 0.12822
450.85 69.58 = 0.99924
422.50 75.59 = 0.99804
473.26 121.09 = 0.99354
405.71 108.13 = 0.95213
449.46 97.35 = 0.98640
389.93 81.26 = 0.92587
461.08 161.27 = 0.99969
461.53 162.40 = 0.99945
405.04 226.47 = 0.99954
489.77 240.76 = 0.99892
415.75 320.01 = 0.99481
555.85 276.33 = 0.99307
 0:  93%, [  86,   28,  288,  390], person
155.68 76.87 = 0.99271
162.21 68.34 = 0.98739
145.10 65.45 = 0.95864
175.03 64.92 = 0.91619
141.19 64.45 = 0.68796
199.98 93.83 = 0.99730
160.28 98.94 = 0.99395
214.27 138.31 = 0.99138
164.10 156.53 = 0.98026
175.57 174.47 = 0.98414
136.65 193.82 = 0.97464
216.19 199.03 = 0.99952
180.07 198.95 = 0.99935
240.79 270.84 = 0.99790
150.18 279.74 = 0.99727
293.96 281.26 = 0.98766
128.72 359.77 = 0.98534
 0:  91%, [ 227,   36,  398,  405], person
281.36 106.56 = 0.99230
287.73 97.59 = 0.98680
279.19 104.41 = 0.88281
308.31 83.30 = 0.95046
275.74 96.24 = 0.19450
328.64 102.08 = 0.99900
275.67 126.89 = 0.99741
373.27 126.41 = 0.99145
278.76 161.70 = 0.95360
382.76 163.57 = 0.98179
249.65 205.81 = 0.91721
332.66 214.56 = 0.99969
309.45 218.78 = 0.99948
293.53 304.20 = 0.99923
310.05 306.35 = 0.99817
279.65 380.53 = 0.99397
363.50 304.91 = 0.99248
destroy npu finished.
~NpuUint.

此性能数据仅计算模型推理的时间消耗。如无特别说明，不包含预处理和后处理的时间消耗。

SoCNPU模型输入分辨率网络创建耗时网络准备耗时单帧推理耗时后处理耗时总耗时帧率
全志 A733Vivante VIP9000yolov8s-pose640×64019.0 ms5.7 ms33.0 ms4.0 ms61.7 ms30.3 FPS

    您需要登录 GitHub 才能发表评论。如果您已登录，请忽略此消息。

    Radxa-docs © 2026 by Radxa Computer (Shenzhen) Co.,Ltd. is licensed under CC BY 4.0