YOLO11是目標(biāo)檢測(cè)領(lǐng)域的最新進(jìn)展，采用了可編程梯度信息（PGI）和廣義高效層聚合網(wǎng)絡(luò)（GELAN）等創(chuàng)新技術(shù)，顯著提高了檢測(cè)精度和計(jì)算效率。在此基礎(chǔ)上，本文將使用 AI Vision Toolkit for OpenVINO for LabVIEW(以下簡(jiǎn)稱AIVT-OV)，在 intel AIPC 設(shè)備上部署YOLO11模型，并實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測(cè)。

1

前言

1.intel AIPC簡(jiǎn)介

超薄超輕，手掌大小，接口豐富，滿足多種外部設(shè)備連接需求。搭載更快的英特爾 酷睿Ultra 7-155H 處理器，全新的三合一架構(gòu)（CPU、GPU、NPU），是一款高性能迷你工作站，配備了以下硬件組件：

處理器（CPU）：英特爾 酷睿Ultra 7-155H 處理器，提供卓越的計(jì)算性能。

內(nèi)存（RAM）：板載 32GB LPDDR5 內(nèi)存，確保多任務(wù)處理和高負(fù)載應(yīng)用的流暢運(yùn)行。

GPU：內(nèi)置英特爾 Arc 顯卡，支持高質(zhì)量的圖形渲染和視頻處理。

NPU：集成英特爾 AI Boost NPU，為 AI 應(yīng)用提供硬件加速，三重 AI “芯”引擎，算力高達(dá) 34 TOPS，提升 AI 任務(wù)的處理效率。

2. Vision Toolkit for OpenVINO for LabVIEW簡(jiǎn)介

AI Vision Toolkit for OpenVINO for LabVIEW（以下簡(jiǎn)稱AIVT-OV），由 VIRobotics 專為L(zhǎng)abVIEW開發(fā)的獨(dú)立工具包，旨在充分利用OpenVINO的深度學(xué)習(xí)和計(jì)算機(jī)視覺優(yōu)化功能。幫助LabVIEW用戶優(yōu)化和加速在各種英特爾架構(gòu)（如CPU、GPU和NPU）上的深度學(xué)習(xí)模型推理。

例如生成AI，視頻，音頻和語(yǔ)言，以及來(lái)自Pytorch，Tensorflow，tensorflow，onnx等流行框架的模型。并提供集成化的API，使開發(fā)者能夠快速在LabVIEW中構(gòu)建、配置和部署圖像處理、視覺識(shí)別、生成AI以及語(yǔ)言等應(yīng)用中的深度學(xué)習(xí)模型，加速應(yīng)用落地。

通過(guò)該工具包，用戶能夠輕松地將YOLO11等深度學(xué)習(xí)模型與LabVIEW進(jìn)行集成，從而實(shí)現(xiàn)高效的實(shí)時(shí)目標(biāo)檢測(cè)，并在Intel硬件（如CPU、GPU、NPU）上加速推理任務(wù)，提升性能。

3. YOLO11簡(jiǎn)介

YOLO11是Ultralytics團(tuán)隊(duì)開發(fā)的YOLO（You Only Look Once）系列實(shí)時(shí)物體檢測(cè)器的最新版本，采用改進(jìn)的主干和頸部架構(gòu)，顯著增強(qiáng)了特征提取能力，以實(shí)現(xiàn)更精確的目標(biāo)檢測(cè)和復(fù)雜任務(wù)性能。引入了精致的架構(gòu)設(shè)計(jì)和優(yōu)化的訓(xùn)練管道，提供更快的處理速度，并保持準(zhǔn)確性和性能之間的最佳平衡。隨著模型設(shè)計(jì)的進(jìn)步，YOLO11m在COCO數(shù)據(jù)集上實(shí)現(xiàn)了更高的平均精度（mAP），同時(shí)使用的參數(shù)比YOLOv8m少22%，在不影響精度的情況下提高了計(jì)算效率。

YOLO11可以無(wú)縫部署在各種環(huán)境中，包括邊緣設(shè)備、云平臺(tái)以及支持NVIDIA GPU的系統(tǒng)，確保了最大的靈活性。無(wú)論是對(duì)象檢測(cè)、實(shí)例分割、圖像分類、姿態(tài)估計(jì)還是定向?qū)ο髾z測(cè)（OBB），YOLO11都能應(yīng)對(duì)各種計(jì)算機(jī)視覺挑戰(zhàn)。

YOLOv11官方開源地址：https://github.com/ultralytics/ultralytics

2

環(huán)境搭建

1.部署本項(xiàng)目所需環(huán)境

·操作系統(tǒng)：> = Windows 10（64位）

· LabVIEW：>= 2018 (64-Bit)。

· AIVT-OV：>=virobotics_lib_ai_vision_toolkit_for_openvino-1.0.0.64.vip

2.軟件下載與安裝

·參考官方指南進(jìn)行安裝，確保所有依賴項(xiàng)正確配置。

3

AIPC上部署YOLO11模型

1.快速打開范例

1.1 雙擊打開LabVIEW，在“Help”選項(xiàng)下找到“Find Examples…”單擊打開。

1.2 打開范例查找器，選擇Directory Structure–VIRobotics -AI Vision–Object Detection即可獲取所有目標(biāo)檢測(cè)的范例。不同模型的范例，放到了不同文件夾下。

1.3雙擊“YOLOv11”范例文件夾，雙擊YOLO11_OpenVINO.vi

2.運(yùn)行代碼

2.1完成環(huán)境搭建并加載模型后，運(yùn)行 YOLOv11_OpenVINO.vi，代碼如下：

3.實(shí)測(cè)效果

本次用于實(shí)時(shí)圖像采集的攝像頭分辨率為1080p, 采樣速率為30FPS，使用模型為yolo11n.onnx，模型輸入為640*640。

3.1 在CPU上實(shí)測(cè)效果

完成目標(biāo)檢測(cè)過(guò)程，單路相機(jī)識(shí)別每幀圖像27ms左右。CPU在目標(biāo)檢測(cè)過(guò)程中有一定的負(fù)載波動(dòng)，尤其在處理較為復(fù)雜的圖像時(shí)，CPU負(fù)載有所上升。

3.2 在GPU上實(shí)測(cè)效果

完成目標(biāo)檢測(cè)過(guò)程，單路相機(jī)識(shí)別每幀圖像9ms左右，GPU有明顯加速推理的效果。

3.3 在NPU上實(shí)測(cè)效果

完成目標(biāo)檢測(cè)過(guò)程，單路相機(jī)識(shí)別每幀圖像12ms左右，因沒有針對(duì)NPU進(jìn)行模型的優(yōu)化，所有NPU利用情況相對(duì)較低，使用優(yōu)化之后的IR模型，速度應(yīng)該會(huì)更快。