YOLOv8_det是YOLO 系列目标检测模型，专为高效、准确地检测图像中的物体而设计。该模型通过引入新的功能和改进点，如因式分解卷积（factorized convolutions）和批量归一化（batch normalization），在性能和灵活性上有显著提升。YOLOv8_det 还具有较高的计算效率，能够在各种硬件平台上运行，从 CPU 到 GPU 都能提供出色的性能。其设计使其在实时检测任务中表现优异，适用于智能驾驶、安防监控、医疗影像、工业检测等多个领域。总的来说，YOLOv8_det 是一个强大且高效的图像处理工具，适用于需要高精度和高性能的应用场景。

本文章主要介绍使用YOLOv8_det模型进行目标检测，如何配置QAI AppBuilder工具及环境。包括了准备需要处理的图像数据，加载YOLOv8_det模型，运行示例代码进行目标检测，查看处理后的图像效果等步骤。通过这些步骤，可以更加熟悉地使用YOLOv8_det模型并进行目标检测工作。

前置条件

• 高通 Windows on Snapdragon
• 各平台账号，包括：Github、高通 Software Center

操作方法及步骤

1. 快捷使用yolov8_det目标检测应用

• 执行前准备

确保在设备中已经搭建好对应的Python及QNN环境，具体方法请参考：QAI-AppBuilder快速上手及环境配置

• 打开Powershell终端，在Python虚拟环境中执行以下命令：

python yolov8_det\yolov8_det.py

输入图像：

输出结果：

• 结果分析：

这张图片的结果显示了yolov8_det模型对图像中物体的检测情况。具体来说，模型在图像中检测到了三个物体，并用绿色框标识出来。每个框内的标签和置信度从左到右如下：

Vase：置信度为 0.56，表示模型认为这个物体是花瓶的概率为 56%

Cup：置信度为 0.67，表示模型认为这个物体是杯子的概率为 67%

Cup：置信度为 0.60，表示模型认为这个物体是杯子的概率为 60%

这些置信度值表示模型对每个检测结果的信心程度。较高的置信度值表明模型对该检测结果更有信心。

2. 手动配置运行yolov8_det应用

• 环境准备

确保在设备中已经搭建好对应的Python及QNN环境，具体方法请参考：QAI-AppBuilder快速上手及环境配置

• 将安装好的QNN SDK 中的 QNN 库复制到qai_libs目录中

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

• 从以下链接下载示例代码

yolov8_det.py

下载示例代码后，将其复制到工作目录根目录

• 将输入数据复制到工作目录根目录下

input.jpg

• 准备好所有目录文件后，整体目录结构如下：

运行脚本下载的模型会存放在models中 。

• 运行示例代码

python .\yolov8_det.py

• 运行结果（输出图像将保存到output.jpg中）

作者：

赵世朝（Shizhao Zhao），高通工程师