目标检测

目标检测是一种帮助计算机在图像中定位并标注多个对象的技术，例如检测照片中的人、汽车或动物。 与图像分类为整张图像关联单一标签不同，目标检测会在图像中各个独立对象周围绘制边界框，从而实现对场景中对象位置和行为的追踪。

YOLO（You Only Look Once）模型

YOLO 模型，全称"You Only Look Once"，是一种用于实时目标检测的计算机视觉模型。它通过单次处理图像来识别并定位其中的对象，即只需"看"一次图像便能完成检测，因此与需要多次处理的方法相比，速度极快。

YOLO 最初由 Joseph Redmon 于 2016 年创建，后来演变为社区模型，Ultralytics 为其做出了重要贡献，其最新版本为 YOLO11。

来源：Ultralytics

在 Astra 上运行目标检测

备注

本示例假设您已熟悉 Astra 开发板的配置流程。如果尚未完成，请参考配置教程。

信息

本快速指南兼容所有预装 OOBE 镜像且已安装 pip 和 python 的 Machina SL2600 系列开发套件，并针对以下配置进行了优化：

NPU（适用于 SL2610 系列）

要在 Astra 上运行示例，首先需要完成前提条件中的步骤，将 GitHub 示例仓库克隆到您的开发板上。

配置您的环境

如果尚未完成配置，请先设置您的环境。

克隆我们的 Examples GitHub 仓库并进入仓库目录：

git clone https://github.com/synaptics-astra-demos/sl2610-examples
cd sl2610-examples

配置 Python 虚拟环境，确保所有必要依赖已安装在虚拟环境中：

python3 -m venv .venv --system-site-packages
source .venv/bin/activate

pip install -r requirements.txt

配置显示环境（视觉输出所必需）。

export XDG_RUNTIME_DIR=/var/run/user/0
export WAYLAND_DISPLAY=wayland-1

在边缘侧运行目标检测

cd Object_detection/standalone/

python3 object_detection.py \
  --model yolov8_od.vmfb \
  --image dog_bike_car.jpg \
  --labels labels.json \
  --device torq

您应该会看到如下格式的结果：

Detections:
  dog             Conf: 0.9186  Box: [133 219 177 315]
  car             Conf: 0.5663  Box: [468  79 254  86]
  bicycle         Conf: 0.5663  Box: [151 137 412 280]

Python 代码解析

上面的 Python 示例使用 Torq 平台直接从 Python 执行 NPU 加速推理。查看代码 ./Object_detection/standalone/object_detection.py 了解其工作原理。

在 Torq GitHub 上了解更多关于 Torq 的信息。

该应用程序调用 IREE 运行时，同时传入设备类型（本例中为 torq）、模型路径、输入和输出。

    executable = "iree-run-module"

    cmd = [
        executable,
        f"--device={device}",
        f"--module={model_path}",
        "--function=main",
        f"--input=@{input_npy_path}",
        f"--output=@{output_bin_path}"
    ]

延伸阅读

您可以查阅为 Synaptics Astra NPU 编译 YOLO的教程。