QAI AppBuilder 快速上手(7):目标检测应用实例

发布于:2025-03-18 ⋅ 阅读:(17) ⋅ 点赞:(0)

YOLOv8_det是YOLO 系列目标检测模型,专为高效、准确地检测图像中的物体而设计。该模型通过引入新的功能和改进点,如因式分解卷积(factorized convolutions)和批量归一化(batch normalization),在性能和灵活性上有显著提升。YOLOv8_det 还具有较高的计算效率,能够在各种硬件平台上运行,从 CPU 到 GPU 都能提供出色的性能。其设计使其在实时检测任务中表现优异,适用于智能驾驶、安防监控、医疗影像、工业检测等多个领域。总的来说,YOLOv8_det 是一个强大且高效的图像处理工具,适用于需要高精度和高性能的应用场景。

本文章主要介绍使用YOLOv8_det模型进行目标检测,如何配置QAI AppBuilder工具及环境。包括了准备需要处理的图像数据,加载YOLOv8_det模型,运行示例代码进行目标检测,查看处理后的图像效果等步骤。通过这些步骤,可以更加熟悉地使用YOLOv8_det模型并进行目标检测工作

前置条件

  • 高通 Windows on Snapdragon
  • 各平台账号,包括:Github、高通 Software Center

操作方法及步骤

1. 快捷使用yolov8_det目标检测应用

  • 执行前准备

确保在设备中已经搭建好对应的PythonQNN环境,具体方法请参考:QAI-AppBuilder快速上手及环境配置

  • 打开Powershell终端,在Python虚拟环境中执行以下命令:

python yolov8_det\yolov8_det.py

输入图像:

输出结果:

  • 结果分析:

这张图片的结果显示了yolov8_det型对图像中物体的检测情况。具体来说,模型在图像中检测到了三个物体,并用绿色框标识出来。每个框内的标签和置信度从左到右如下:

Vase:置信度为 0.56,表示模型认为这个物体是花瓶的概率为 56%

Cup:置信度为 0.67,表示模型认为这个物体是杯子的概率为 67%

Cup:置信度为 0.60,表示模型认为这个物体是杯子的概率为 60%

这些置信度值表示模型对每个检测结果的信心程度。较高的置信度值表明模型对该检测结果更有信心。

2. 手动配置运行yolov8_det应用

  • 环境准备

确保在设备中已经搭建好对应的Python及QNN环境,具体方法请参考:QAI-AppBuilder快速上手及环境配置

  • 将安装好的QNN SDK 中的 QNN 库复制到qai_libs目录中

qai_libs\libQnnHtpV73Skel.so
qai_libs\QnnHtp.dll
qai_libs\QnnHtpV73Stub.dll
qai_libs\QnnSystem.dll
qai_libs\libqnnhtpv73.cat

  • 从以下链接下载示例代码

yolov8_det.py

下载示例代码后,将其复制到工作目录根目录

  • 将输入数据复制到工作目录根目录下

input.jpg

  • 准备好所有目录文件后,整体目录结构如下:

运行脚本下载的模型会存放在models

  • 运行示例代码

python .\yolov8_det.py

  • 运行结果(输出图像将保存到output.jpg

作者:

赵世朝(Shizhao Zhao),高通工程师