QAI AppBuilder 快速上手(7)：目的检测应用实例

YOLOv8_det是YOLO 系列目的检测模型，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 还具有较高的计算服从，能够在各种硬件平台上运行，从 CPU 到 GPU 都能提供精彩的性能。其设计使其在及时检测任务中表现优秀，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。
本文章重要介绍利用YOLOv8_det模型举行目的检测，如何配置QAI AppBuilder工具及情况。包罗了预备需要处理的图像数据，加载YOLOv8_det模型，运行示例代码举行目的检测，查察处理后的图像结果等步调。通过这些步调，可以更加熟悉地利用YOLOv8_det模型并举行目的检测工作。

前置条件

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

操作方法及步调

1. 快捷利用yolov8_det目的检测应用

• 执行前预备
  

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

• 打开Powershell终端，在Python虚拟情况中执行以下下令：
  

python yolov8_det\yolov8_det.py

输入图像：

输出结果：

• 结果分析：
  

这张图片的结果表现了yolov8_det模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水平。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

• 情况预备
  

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

• 将安装好的QNN SDK 中的 QNN 库复制到qai_libs目次中
  

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，将其复制到工作目次根目次

• 将输入数据复制到工作目次根目次下
  

input.jpg

• 预备好所有目次文件后，团体目次布局如下：
  

运行脚本下载的模型会存放在models中 。

• 运行示例代码
  

python .\yolov8_det.py

• 运行结果（输出图像将生存到output.jpg中）
  

作者：
赵世朝（Shizhao Zhao），高通工程师

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。