YOLO11是目標檢測領域的最新進展，采用了可編程梯度信息（PGI）和廣義高效層聚合網(wǎng)絡（GELAN）等創(chuàng)新技術，顯著提高了檢測精度和計算效率。在此基礎上，本文將使用 AI Vision Toolkit for OpenVINO for LabVIEW(以下簡稱AIVT-OV)，在 intel AIPC 設備上部署YOLO11模型，并實現(xiàn)實時目標檢測。

1

前言

1.intel AIPC簡介

超薄超輕，手掌大小，接口豐富，滿足多種外部設備連接需求。搭載更快的英特爾 酷睿Ultra 7-155H 處理器，全新的三合一架構（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，提供卓越的計算性能。

內存（RAM）：板載 32GB LPDDR5 內存，確保多任務處理和高負載應用的流暢運行。

GPU：內置英特爾 Arc 顯卡，支持高質量的圖形渲染和視頻處理。

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

2. Vision Toolkit for OpenVINO for LabVIEW簡介

AI Vision Toolkit for OpenVINO for LabVIEW（以下簡稱AIVT-OV），由 VIRobotics 專為LabVIEW開發(fā)的獨立工具包，旨在充分利用OpenVINO的深度學習和計算機視覺優(yōu)化功能。幫助LabVIEW用戶優(yōu)化和加速在各種英特爾架構（如CPU、GPU和NPU）上的深度學習模型推理。

例如生成AI，視頻，音頻和語言，以及來自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中構建、配置和部署圖像處理、視覺識別、生成AI以及語言等應用中的深度學習模型，加速應用落地。

通過該工具包，用戶能夠輕松地將YOLO11等深度學習模型與LabVIEW進行集成，從而實現(xiàn)高效的實時目標檢測，并在Intel硬件（如CPU、GPU、NPU）上加速推理任務，提升性能。

3. YOLO11簡介

YOLO11是Ultralytics團隊開發(fā)的YOLO（You Only Look Once）系列實時物體檢測器的最新版本，采用改進的主干和頸部架構，顯著增強了特征提取能力，以實現(xiàn)更精確的目標檢測和復雜任務性能。引入了精致的架構設計和優(yōu)化的訓練管道，提供更快的處理速度，并保持準確性和性能之間的最佳平衡。隨著模型設計的進步，YOLO11m在COCO數(shù)據(jù)集上實現(xiàn)了更高的平均精度（mAP），同時使用的參數(shù)比YOLOv8m少22%，在不影響精度的情況下提高了計算效率。

YOLO11可以無縫部署在各種環(huán)境中，包括邊緣設備、云平臺以及支持NVIDIA GPU的系統(tǒng)，確保了最大的靈活性。無論是對象檢測、實例分割、圖像分類、姿態(tài)估計還是定向對象檢測（OBB），YOLO11都能應對各種計算機視覺挑戰(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

·參考官方指南進行安裝，確保所有依賴項正確配置。

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即可獲取所有目標檢測的范例。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.運行代碼

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

3.實測效果

本次用于實時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上實測效果

完成目標檢測過程，單路相機識別每幀圖像27ms左右。CPU在目標檢測過程中有一定的負載波動，尤其在處理較為復雜的圖像時，CPU負載有所上升。

3.2 在GPU上實測效果

完成目標檢測過程，單路相機識別每幀圖像9ms左右，GPU有明顯加速推理的效果。

3.3 在NPU上實測效果

完成目標檢測過程，單路相機識別每幀圖像12ms左右，因沒有針對NPU進行模型的優(yōu)化，所有NPU利用情況相對較低，使用優(yōu)化之后的IR模型，速度應該會更快。