跳到主要内容

YOLO11 Pose

本文档讲述如何在 NPU 上运行 YOLO11 Pose。

信息

参考 Model Zoo 下载获取示例。

YOLO11 Pose 示例目录结构：

$ tree ./
./
├── CMakeLists.txt
├── convert_model
│   ├── config_yml.py
│   ├── convert_model_env.sh
│   ├── python
│   │   ├── onnx_extract.py
│   │   └── yolo11s-pose_640.txt
│   └── yolo11s-pose_9.txt
├── figures
│   ├── diff_img.png
│   └── out_yolo11_pose_pcq.png
├── main.cpp
├── model
│   └── COCO_train2014_000000500390.jpg
├── model_config.h
├── README.md
├── yolo11_pose_9_post.cpp
└── yolo11_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

导出 onnx 模型​

X86 Linux PC
cd convert_model/python/
yolo export model=yolo11s-pose.pt format=onnx simplify=True dynamic=False opset=11 nms=False batch=1 device=cpu

裁剪模型​

X86 Linux PC
python onnx_extract.py
mv ./yolo11s-pose_9.onnx ../
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/yolo11_pose/convert_model/
X86 Linux PC
./pegasus_import.sh yolo11s-pose_9
./pegasus_quantize.sh yolo11s-pose_9 uint8 12
X86 Linux PC
./pegasus_export_ovx_nbg.sh yolo11s-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/yolo11_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 yolo11_pose_demo_linux_a733/
Radxa SBC
chmod +x ./yolo11_pose_demo_a733
./yolo11_pose_demo_a733 -nb model/yolo11s-pose_9_uint8_a733.nb -i model/COCO_train2014_000000500390.jpg

运行结果如下：

$ ./yolo11_pose_demo_a733 -nb model/yolo11s-pose_9_uint8_a733.nb -i model/COCO_train2014_000000500390.jpg
model_file=model/yolo11s-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/yolo11s-pose_9_uint8_a733.nb, size: 7284048.
create network 0: 16110 us.
prepare network: 3977 us.
buffer ptr: 0x202f5380, buffer size: 1228800
network: 0, loop count: 1
run time for this network 0: 32374 us.
output 0, ptr 0x20421480, size 409600.
output 1, ptr 0x205b1500, size 6400.
output 2, ptr 0x205b7980, size 326400.
output 3, ptr 0x206f6640, size 102400.
output 4, ptr 0x2075a6c0, size 1600.
output 5, ptr 0x2075c040, size 81600.
output 6, ptr 0x207abbc0, size 25600.
output 7, ptr 0x207c4c80, size 400.
output 8, ptr 0x207c5340, size 20400.
post process time : 4 ms
detection num: 3
 0:  94%, [ 370,    0,  589,  346], person
405.75 26.20 = 0.96988
419.11 23.03 = 0.96501
405.65 21.63 = 0.29929
441.04 31.18 = 0.99146
421.11 22.33 = 0.04379
455.76 67.51 = 0.99977
430.35 62.14 = 0.99950
466.39 121.18 = 0.99797
405.08 109.99 = 0.98330
447.50 96.32 = 0.98985
382.14 70.42 = 0.94582
466.06 166.69 = 0.99986
455.44 165.19 = 0.99974
411.43 242.60 = 0.99939
497.02 230.87 = 0.99880
408.66 307.99 = 0.98213
562.98 301.11 = 0.97806
 0:  88%, [  86,   27,  292,  389], person
146.77 66.48 = 0.99659
157.56 60.56 = 0.99517
138.54 62.15 = 0.93738
177.10 58.15 = 0.97191
136.75 58.00 = 0.22714
182.16 88.95 = 0.99876
146.17 100.58 = 0.99755
210.99 144.46 = 0.99757
161.48 152.14 = 0.98186
171.08 179.70 = 0.99453
131.07 188.60 = 0.97326
222.98 197.17 = 0.99975
178.42 204.61 = 0.99950
250.05 264.09 = 0.99831
151.41 290.25 = 0.99650
287.21 296.16 = 0.97016
127.74 355.67 = 0.95755
 0:  92%, [ 228,   39,  399,  407], person
275.86 94.61 = 0.99351
286.44 88.28 = 0.98999
267.42 87.73 = 0.88035
308.03 73.30 = 0.97833
265.48 74.83 = 0.23741
339.54 98.91 = 0.99963
280.47 109.74 = 0.99938
372.16 125.90 = 0.99505
272.82 170.12 = 0.98157
380.93 163.22 = 0.98073
243.21 204.51 = 0.94730
339.07 225.60 = 0.99986
302.82 223.45 = 0.99980
294.02 310.02 = 0.99952
314.44 286.69 = 0.99926
270.90 355.43 = 0.99344
374.00 318.30 = 0.99277
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 VIP9000yolo11s-pose640×64016.1 ms4.0 ms32.4 ms4.0 ms56.5 ms30.9 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