YOLOv8n
YOLOv8n 是由 Ultralytics 推出的 YOLOv8 系列中体积最小、速度最快的轻量级视觉模型。它基于先进的深度学习架构，在极低的计算资源消耗下实现了卓越的实时检测性能，是边缘设备和移动端部署的首选方案。
- 核心特点：支持高精度的实时目标检测、实例分割、图像分类以及姿态估计（关键点检测）。
- 版本说明：本案例采用 YOLOv8n (Nano) 模型。作为家族中的轻量化标杆，它通过极简的参数量实现了极高的推理帧率，在保持主流检测精度的同时，极大降低了对硬件算力的需求，是兼顾实时响应与部署便捷性的最优选择。
环境配置
需要提前配置好相关环境。
快速开始
下载模型文件
O6 / O6N
cd ai_model_hub_25_Q3/models/ComputeVision/Object_Detection/onnx_yolov8_n
wget -O yolov8n.cix https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/ComputeVision/Object_Detection/onnx_yolov8_n/yolov8n.cix
模型测试
信息
运行前激活虚拟环境！
O6 / O6N
python3 inference_npu.py
完整转换流程
下载模型文件
Linux PC
cd ai_model_hub_25_Q3/models/ComputeVision/Object_Detection/onnx_yolov8_n/model
wget -O yolov8n.onnx https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/ComputeVision/Object_Detection/onnx_yolov8_n/model/yolov8n.onnx
项目结构
├── cfg
├── datasets
├── inference_npu.py
├── inference_onnx.py
├── model
├── ReadMe.md
├── test_data
└── yolov8n.cix
进行模型量化和转换
Linux PC
cd ..
cixbuild cfg/yolov8_nbuild.cfg
推送到板端
完成模型转换之后需要将 cix 模型文件推送到板端。
测试主机推理
运行推理脚本
Linux PC
python3 inference_onnx.py
主机推理结果
Linux PC
$ python3 inference_onnx.py
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:00<00:00, 19.24it/s]
进行 NPU 部署
运行推理脚本
O6 / O6N
python3 inference_npu.py
模型推理结果
O6 / O6N
$ python3 inference_npu.py
npu: noe_init_context success
npu: noe_load_graph success
Input tensor count is 1.
Output tensor count is 1.
npu: noe_create_job success
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:00<00:00, 18.07it/s]
npu: noe_clean_job success
npu: noe_unload_graph success
npu: noe_deinit_context success
