跳到主要内容
返回模型广场
Ultralytics / 目标检测

YOLOv8n

轻量级目标检测，识别 80 类常见物体。适合实时摄像头分析与端侧检测应用。

完整部署指南实时检测COCO 80类轻量模型
官方介绍图 · 非本站实测画面APLUX Model Farm / Ultralytics
任务类型目标检测
输入尺寸640×640
运行设备 / 平台4 个可选
部署精度FP16 / W8A16 / W8A8
01

模型简介

YOLOv8n 是 Ultralytics YOLOv8 系列的轻量检测模型。一次前向推理即可输出目标的位置、类别与置信度，预训练权重覆盖 COCO 的 80 类常见物体。对于摄像头实时分析，它是验证端侧检测流程的实用起点。

本页对应 Model Farm 的 640 × 640 检测构建。输入图像需要缩放、补边并转换为模型要求的颜色与张量格式；输出经过阈值过滤和非极大值抑制后，再映射回原图坐标。页面中的时延仅表示模型推理耗时，不包含采集、预处理和绘图。

轻量检测器

3.18M 参数，在速度、体积与通用检测能力之间取得平衡。

成熟的开发生态

支持预训练推理和自定义数据微调，可沿用 Ultralytics 的训练工作流。

多精度部署

提供浮点与量化构建，可结合本页实测对比速度、模型体积与精度损失。

适用场景

摄像头目标分析客流与车辆计数机器人视觉感知
02

部署配置与性能

设备与平台运行配置
部署精度时延精度损失文件大小后端测试日期
IQ-9075 EVKQCS9075 · Dragonwing IQ9
推荐1.70 ms0.26%3.61 MBQNN 2.362026-05-29
4.12 ms0.03%3.79 MBQNN 2.362026-05-29
4.64 ms0%7.68 MBQNN 2.362026-05-29
A8625MY1QCS8625
推荐1.06 ms0.26%3.61 MBQNN 2.362026-05-29
2.56 ms0.03%3.79 MBQNN 2.362026-05-29
2.73 ms0%7.68 MBQNN 2.362026-05-29
犀牛派 X1QCS8550
推荐1.52 ms0.21%3.61 MBQNN 2.362026-05-29
3.58 ms0%7.68 MBQNN 2.362026-05-29
3.84 ms0.03%3.79 MBQNN 2.362026-05-29
犀牛派 A1QCS6490
已部署，未实测——
已部署，未实测——

时延为模型单次推理耗时，不含前后处理；所有数字为真机实测。

03

部署指南

以下步骤基于官方部署文档整理，请以资源包内 README 与实际查询结果为准。

开始之前

  • 一块与所选 SoC 一致的开发板，以及可用的终端与网络连接。
  • 使用与模型包匹配的系统镜像、推理 SDK 和后端版本。
  • Model Farm 账号及板卡内置 MMS 工具；首次使用需完成账号登录。
  1. 1

    检查环境并登录

    在目标板卡终端中运行。若没有 mms，请先参考下方 MMS 文档完成系统组件准备。

    在目标板卡终端运行
    command -v mms
mms login
  2. 2

    查询可用模型构建

    核对查询结果中的模型名称、芯片、精度与后端版本。以实际返回值为准。

    在目标板卡终端运行
    mms list 'YOLOv8n'
  3. 3

    获取对应资源包

    下方命令跟随当前板卡与精度生成。下载前确认查询结果中存在同一配置。

    在目标板卡终端运行
    mms get -m 'YOLOv8n' -p int8 -c qcs8625 -b 'qnn2.36' -d ./yolov8n
  4. 4

    解压并检查资源目录

    进入刚才下载的目录，解压 ZIP 并找到包内说明。资源包可能自带一层目录，后续命令应在 README 指定的工作目录执行。

    在目标板卡终端运行
    cd ./yolov8n
for archive in ./*.zip; do
  [ -f "$archive" ] || continue
  unzip -n "$archive"
done
find . -maxdepth 4 -iname "*readme*"
  5. 5

    准备输入与运行环境

    准备一张包含 COCO 类别的图片。严格沿用下载包的 RGB、缩放和补边实现，避免拉伸图片后直接比较检测结果。

    在目标板卡终端运行
    python3 -c "import aidlite; print(aidlite.get_library_version())"
  6. 6

    运行官方示例

    先阅读包内 code/README.md，再运行其中的 Python 或 C++ 检测示例。配置模型路径、输入图像和置信度阈值；使用示例自带的后处理还原检测框。

验证与注意事项

  • 检查检测框能准确映射到原图，尤其留意长宽比与补边偏移。
  • 分别记录预处理、模型推理和后处理耗时；不要把模型时延直接当成整条视频管线的帧率。
  • 商用分发前核对源模型与部署包的 AGPL-3.0 许可，或向权利方确认商业授权。
Ultralytics YOLOv8 文档AidLite 开发者指南MMS 模型查询与下载指南

数据来源

  • superweb Model Farm 支持矩阵核对于 2026-11-03
  • aplux-agora Model Farm 实测快照核对于 2026-11-14
  • APLUX Model Farm · YOLOv8n ↗核对于 2026-11-15