VIP20

本课程属于：045-全志V853边缘AI视觉部署 嵌入式边缘AI与TinyML · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

5. V853目标检测部署：YOLO轻量模型转换与运行验证

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

了解V853芯片特性 · 目标检测部署的整体流程 · 课程目标与学习路径

课程导入V853

搭建V853开发环境 · 安装交叉编译工具链 · NPU工具链及必要依赖

环境准备V853

YOLO轻量模型概述

介绍YOLOv5n · YOLOv8n · YOLOX-Nano等轻量模型的结构…

YOLO轻量模型概述

模型选择与评估

根据部署需求选择合适的YOLO轻量模… · 评估精度 · 速度与资源占用

模型选择评估

数据集准备与标注

目标检测数据集的格式（VOC/COC… · 标注工具使用及数据增强策略

数据集准备标注

模型训练基础

使用PyTorch训练YOLO轻量模… · 配置训练参数 · 数据加载与训练流程

模型训练基础PyTorch

模型导出为ONNX

将训练好的PyTorch模型导出为O… · 处理动态轴与算子兼容性

ONNX模型导出为

ONNX模型优化

使用onnx-simplifier等… · 去除冗余节点 · 提升转换效率

ONNX模型优化

V853 NPU工具链入门

了解V853 NPU架构 · 工具链组成（如ACUITY · VIM3等）及基本用法

模型量化原理

介绍INT8量化 · 校准数据集 · 量化误差及对精度的影响

模型量化原理INT8

模型转换流程

将ONNX模型转换为V853 NPU… · 配置转换参数

模型转换流程ONNX

模型转换实战

使用工具链完成YOLO轻量模型的转换 · 处理常见报错与警告

模型转换实战YOLO

模型精度验证

在PC端使用仿真器或NPU模拟器验证…

模型精度验证PC

部署代码框架

编写C/C++或Python推理代码 · 初始化NPU · 加载模型

部署代码框架C/C++

图像预处理

实现Resize · 归一化 · 通道变换等操作

图像预处理Resize

模型推理实现

调用NPU接口执行推理 · 获取原始输出张量

模型推理实现NPU

后处理解码

解析YOLO输出 · 进行边界框解码 · 置信度过滤

后处理解码YOLO

后处理优化

针对NPU输出特点优化NMS算法 · 提高处理速度与稳定性

后处理优化NPU

运行验证与调试

在V853开发板上运行部署程序 · 验证检测效果 · 调试常见问题

运行验证调试

分析推理耗时 · 内存占用 · 通过多线程

性能优化分析推理耗时

多模型与多线程

在V853上同时运行多个模型或线程 · 管理资源与调度

多模型多线程

摄像头实时检测

接入摄像头输入 · 实现实时目标检测 · 处理帧率与延迟问题

摄像头实时检测接入摄像头输入

模型更新与热切换

实现在线更新模型文件 · 支持动态切换不同YOLO模型

模型更新热切换

常见问题排查

汇总模型转换失败 · 精度下降 · 推理崩溃等问题的排查方法与解决方案

常见问题排查汇总模型转换失败

基于V853实现一个完整的行人检测系… · 从训练到部署全流程

案例实战V853

基于V853实现一个车辆检测与计数系… · 结合后处理逻辑

案例实战V853

基于V853实现一个轻量级安全帽检测… · 优化模型与部署

案例实战V853

设计一个多目标检测系统 · 融合多个YOLO模型 · 实现复杂场景检测

综合项目设计一个多目标检…

回顾关键知识点 · 部署流程 · 常见坑点

课程总结回顾关键知识点

拓展与进阶

探索V853 NPU高级特性 · 模型压缩 · 剪枝