Comake D1 开发板开源算法 YOLOv8 目标检测实战

原创已于 2025-08-31 09:45:35 修改 · 710 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#开源软件 #iot #智能硬件 #AI编程 #音视频 #嵌入式硬件 #算法

于 2025-08-31 09:44:51 首次发布

YOLOv8

1 概述¶

1.1 背景介绍¶

yolov8是一种先进的实时目标检测算法, 它在保持快速检测速度的同时, 进一步提高了检测的准确性和鲁棒性。yolov8官方有提供多种不同大小的检测模型：n、s、m、l、x, 这些开源模型的精度如下：

详情可参考yolov8官方说明：

https://github.com/ultralytics/ultralytics/tree/v8.2.103

yolov8开源模型下载地址如下：

1.2 使用说明¶

Linux SDK-alkaid中默认带了已经预先转换好的离线模型及板端示例, 相关文件路径如下:

板端示例程序路径

Linux_SDK/sdk/verify/opendla/source/detection/yolov8

板端离线模型路径

Linux_SDK/project/board/${chip}/dla_file/ipu_open_models/detection/yolov8n_640x640.img

板端测试图像路径

Linux_SDK/sdk/verify/opendla/source/resource/bus.jpg

如果用户不需要转换模型可直接跳转至第3章节。

2 模型转换¶

2.1 onnx模型转换¶

python环境搭建

$conda create -n yolov8 python==3.10
$conda activate yolov8
$git clone https://github.com/ultralytics/ultralytics
$cd ultralytics
$pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：这里提供的python环境搭建, 仅作为参考示例, 具体搭建过程请参考官方源码运行教程：

https://docs.ultralytics.com/quickstart/

模型测试

编写模型测试脚本predict.py

from ultralytics import YOLO

# Load a pretrained YOLO8n model
model = YOLO("yolov8n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("./ultralytics/assets/bus.jpg", save=True, imgsz=640, conf=0.5)

运行模型测试脚本, 确保yolov8环境配置正确。
```
$python predict.py
```

具体可参考yolov8官方测试文档

https://docs.ultralytics.com/zh/usage/python/#predict

模型导出

编写模型转换脚本export.py:

import os
import sys
from ultralytics import YOLO

model = YOLO("yolov8n.pt")
model.export(format="onnx", imgsz=[640,640], simplify=True, opset=13)

运行模型转换脚本, 会在当目录下生成yolov8n.onnx模型
```
$python export.py
```

2.2 离线模型转换¶

2.2.1 预&后处理说明¶

预处理

转换成功的yolov8n.onnx模型输入信息如下图所示, 要求输入图像的尺寸为 (1, 3, 640, 640), 此外需要将像素值归一化到 [0, 1] 范围内。

后处理

转换成功的yolov8n.onnx模型输出信息如下图所示, 通常yolov8转换出来的模型输出维度为（1, 84, 8400）, 其中 8400 是候选框的数量, 84包括4个边界框坐标和80个类别概率。获取到模型输出的候选框后, 需要对所有候选框的类别进行判断以及NMS非极大值抑制操作后才能输出正确的坐标框。

2.2.2 offline模型转换流程¶

注意：1）OpenDLAModel对应的是压缩包image-dev_model_convert.tar解压之后的smodel文件。2）转换命令需要在docker环境下运行, 请先根据Docker开发环境教程, 加载SGS Docker环境。

拷贝onnx模型到转换代码目录

$cp ultralytics/yolov8n.onnx OpenDLAModel/detection/yolov8/onnx

转换命令

$cd IPU_SDK_Release/docker
$bash run_docker.sh
#进入到docker环境下的OpenDLAModel目录
$cd /work/SGS_XXX/OpenDLAModel
$bash convert.sh -a detection/yolov8 -c config/detection_yolov8.cfg -p SGS_IPU_Toolchain(绝对路径) -s false

最终生成的模型地址

output/${chip}_${时间}/yolov8n_640x640.img
output/${chip}_${时间}/yolov8n_640x640_fixed.sim
output/${chip}_${时间}/yolov8n_640x640_float.sim

2.2.3 关键脚本参数解析¶

-   input_config.ini

        [INPUT_CONFIG]
        inputs = images;                #onnx 输入节点名称, 如果有多个需以“,”隔开;
        training_input_formats = RGB;   #模型训练时的输入格式, 通常都是RGB;
        input_formats = YUV_NV12;       #板端输入格式, 可以根据情况选择BGRA或者YUV_NV12;
        quantizations = TRUE;           #打开输入量化, 不需要修改;
        mean_red = 0;                   #均值, 跟模型预处理相关, 根据实际情况配置;
        mean_green = 0;                 #均值, 跟模型预处理相关, 根据实际情况配置;
        mean_blue = 0;                  #均值, 跟模型预处理相关, 根据实际情况配置;
        std_value = 255;                #方差, 跟模型预处理相关, 根据实际情况配置;

        [OUTPUT_CONFIG]
        outputs = output0;              #onnx 输出节点名称, 如果有多个需以“,”隔开;
        dequantizations = TRUE;         #是否开启反量化, 根据实际需求填写, 建议为TRUE。设为False, 输出为int16; 设为True, 输出为float32

-   detection.cfg

        [YOLOV8]
        CHIP_LIST=pcupid                    #平台名称, 必须和板端平台一致, 否则模型无法运行
        Model_LIST=yolov8n                  #输入onnx模型名称
        INPUT_SIZE_LIST=640x640             #模型输入分辨率
        INPUT_INI_LIST=input_config.ini     #配置文件
        CLASS_NUM_LIST=0                    #填0即可
        SAVE_NAME_LIST=yolov8n_640x640.img  #输出模型名称
        QUANT_DATA_PATH=quant_data          #量化图片路径

2.3 模型仿真¶

获取float/fixed/offline模型输出
```
$bash convert.sh -a detection/yolov8 -c config/detection_yolov8.cfg -p SGS_IPU_Toolchain(绝对路径) -s true
```
执行上述命令后, 会默认将float模型的输出tensor保存到detection/yolov8/log/output路径下的txt文件中。此外, 在detection/yolov8/convert.sh脚本中也提供了fixed和offline的仿真示例, 用户在运行时可以通过打开注释代码块, 分别获取fixed和offline模型输出。
模型精度对比

在保证输入和上述模型相同的情况下, 进入2.1章节搭建好的环境, 在ultralytics/ultralytics/nn/modules/head.py文件的第143行处添加打印：
```
print(torch.cat((dbox, cls.sigmoid()), 1))
```
获取pytorch模型对应节点的输出tensor, 进而和float、fixed、offline模型进行对比。此外需要特别注意的是, 原始模型的输出格式是NCHW, 而float/fixed/offline模型输出的格式是NHWC。

3 板端部署¶

3.1 程序编译¶

示例程序编译之前需要先根据板子（nand/nor/emmc, ddr型号等）选择deconfig进行sdk整包编译, 具体可以参考alkaid sdk sigdoc《开发环境搭建》文档。

编译板端yolov8示例。

$cd sdk/verify/opendla
$make clean && make source/detection/yolov8 -j8

最终生成的可执行文件地址

sdk/verify/opendla/out/${AARCH}/app/prog_detection_yolov8

3.2 运行文件¶

运行程序时, 需要先将以下几个文件拷贝到板端

prog_detection_yolov8
bus.jpg
yolov8n_640x640.img

3.3 运行说明¶

Usage: ./prog_detection_yolov8 -i image -m model [-t threshold]（执行文件使用命令）
Required Input：
- image: 图像文件夹/单张图像路径
- model: 需要测试的offline模型路径
Optional Input:
- threshold: 检测阈值（0.0~1.0, 默认为0.5）

Typical output:

>./prog_detection_yolov8 -m ./yolov8n.img -i ./images/yolov8_bus.jpg

    demo_args: inImages=./; modelPath=./yolov8n.img; threshold=0.5
    found 1 images!
    [0] processing ./images/yolov8_bus.jpg...
    model invoke time: 14.361000 ms
    post process time: 0.436000 ms
    outImagePath: ./output/2108/bus.png

4 算法优化¶

4.1 后处理优化¶

存在问题

官方的yolov8转换出来的offline模型cpu占用率较高。其根本原因在于:yolov8默认输出8400个候选检测框（Bounding Box）, 在COCO数据集80类别检测场景下, 每个候选框需执行80次类别置信度计算, 即总计算量达到672,000次/帧（8400×80）, 会导致cpu的loading一直处在一个较高的状态。
解决方案

通过SGS_IPU_Toolchain构建后处理模型（如下图所示）, 然后跟官方的yolov8模型进行拼接。这样就可以将遍历所有候选框的计算放到ipu上进行, 同时不改变yolov8官方模型的结构。因此用户在转换模型以及运行板端示例时：
- onnx模型不用变, 参考2.1
- 离线模型转换命令
```
$bash convert.sh -a detection/yolov8 -c config/detection_yolov8.cfg -p SGS_IPU_Toolchain(绝对路径) -s false -d ipu
```
  相关优化可参考OpenDLAModel/detection/yolov8/yolov8_post.py
- 板端部署, 参考3
注意通过SGS_IPU_Toolchain构建IPU算子的方式需要用户对IPU Toolchain较为熟悉, 具体可参考IPU Toolchain使用文档