YOLOv8_det是YOLO 系列目標檢測模型，專為高效、準確地檢測圖像中的物體而設計。該模型通過引入新的功能和改進點，如因式分解卷積（factorized convolutions）和批量歸一化（batch normalization），在性能和靈活性上有顯著提升。YOLOv8_det 還具有較高的計算效率，能夠在各種硬件平臺上運行，從 CPU 到 GPU 都能提供出色的性能。其設計使其在實時檢測任務中表現優異，適用于智能駕駛、安防監控、醫療影像、工業檢測等多個領域。總的來說，YOLOv8_det 是一個強大且高效的圖像處理工具，適用于需要高精度和高性能的應用場景。

本文章主要介紹使用YOLOv8_det模型進行目標檢測，如何配置QAI AppBuilder工具及環境。包括了準備需要處理的圖像數據，加載YOLOv8_det模型，運行示例代碼進行目標檢測，查看處理后的圖像效果等步驟。通過這些步驟，可以更加熟悉地使用YOLOv8_det模型并進行目標檢測工作。

前置條件

• 高通 Windows on Snapdragon
• 各平臺賬號，包括：Github、高通 Software Center

操作方法及步驟

1.?快捷使用yolov8_det目標檢測應用

• 執行前準備

確保在設備中已經搭建好對應的Python及QNN環境，具體方法請參考：QAI-AppBuilder快速上手及環境配置

• 打開Powershell終端，在Python虛擬環境中執行以下命令：

python yolov8_det\yolov8_det.py

輸入圖像：

輸出結果：

• 結果分析：

這張圖片的結果顯示了yolov8_det模型對圖像中物體的檢測情況。具體來說，模型在圖像中檢測到了三個物體，并用綠色框標識出來。每個框內的標簽和置信度從左到右如下：

Vase：置信度為 0.56，表示模型認為這個物體是花瓶的概率為 56%

Cup：置信度為 0.67，表示模型認為這個物體是杯子的概率為 67%

Cup：置信度為 0.60，表示模型認為這個物體是杯子的概率為 60%

這些置信度值表示模型對每個檢測結果的信心程度。較高的置信度值表明模型對該檢測結果更有信心。

2.?手動配置運行yolov8_det應用

• 環境準備

確保在設備中已經搭建好對應的Python及QNN環境，具體方法請參考：QAI-AppBuilder快速上手及環境配置

• 將安裝好的QNN SDK 中的 QNN 庫復制到qai_libs目錄中

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

• 從以下鏈接下載示例代碼

yolov8_det.py

下載示例代碼后，將其復制到工作目錄根目錄

• 將輸入數據復制到工作目錄根目錄下

input.jpg

• 準備好所有目錄文件后，整體目錄結構如下：

運行腳本下載的模型會存放在models中 。

• 運行示例代碼

python .\yolov8_det.py

• 運行結果（輸出圖像將保存到output.jpg中）

作者：

趙世朝（Shizhao Zhao），高通工程師