作者 ：英特尔创新大使 王立奇

YOLO11是目标检测领域的最新进展，采用了可编程梯度信息（PGI）和广义高效层聚合网络（GELAN）等创新技术，显著提高了检测精度和计算效率。在此基础上，本文将使用 AI Vision Toolkit for OpenVINO™ for LabVIEW(以下简称AIVT-OV)，在 intel AIPC 设备上部署YOLO11模型，并实现实时目标检测。

 一、前言

1.1 intel AIPC简介

超薄超轻，手掌大小，接口丰富，满足多种外部设备连接需求。搭载更快的英特尔® 酷睿Ultra 7-155H 处理器，全新的三合一架构（CPU、GPU、NPU），是一款高性能迷你工作站，配备了以下硬件组件：

• 处理器（CPU）：英特尔® 酷睿Ultra 7-155H 处理器，提供卓越的计算性能。
• 内存（RAM）：板载 32GB LPDDR5 内存，确保多任务处理和高负载应用的流畅运行。
• GPU：内置英特尔® Arc™ 显卡，支持高质量的图形渲染和视频处理。
• NPU：集成英特尔® AI Boost NPU，为 AI 应用提供硬件加速，三重 AI “芯”引擎，算力高达 34 TOPS，提升 AI 任务的处理效率。

1.2  AI Vision Toolkit for OpenVINO™ for LabVIEW简介

AI Vision Toolkit for OpenVINO for LabVIEW（以下简称AIVT-OV），由 VIRobotics 专为LabVIEW开发的独立工具包，旨在充分利用OpenVINO™的深度学习和计算机视觉优化功能。帮助LabVIEW用户优化和加速在各种英特尔架构（如CPU、GPU和NPU）上的深度学习模型推理。例如生成AI，视频，音频和语言，以及来自Pytorch，Tensorflow，tensorflow，onnx等流行框架的模型。并提供集成化的API，使开发者能够快速在LabVIEW中构建、配置和部署图像处理、视觉识别、生成AI以及语言等应用中的深度学习模型，加速应用落地。

通过该工具包，用户能够轻松地将YOLO11等深度学习模型与LabVIEW进行集成，从而实现高效的实时目标检测，并在Intel®硬件（如CPU、GPU、NPU）上加速推理任务，提升性能。

1.3 YOLO11简介

YOLO11是Ultralytics团队开发的YOLO（You Only Look Once）系列实时物体检测器的最新版本，采用改进的主干和颈部架构，显著增强了特征提取能力，以实现更精确的目标检测和复杂任务性能。引入了精致的架构设计和优化的训练管道，提供更快的处理速度，并保持准确性和性能之间的最佳平衡。随着模型设计的进步，YOLO11m在COCO数据集上实现了更高的平均精度（mAP），同时使用的参数比YOLOv8m少22%，在不影响精度的情况下提高了计算效率。YOLO11可以无缝部署在各种环境中，包括边缘设备、云平台以及支持NVIDIA GPU的系统，确保了最大的灵活性。无论是对象检测、实例分割、图像分类、姿态估计还是定向对象检测（OBB），YOLO11都能应对各种计算机视觉挑战。

YOLOv11官方开源地址：https://github.com/ultralytics/ultralytics

二、环境搭建

2.1 部署本项目所需环境

• 操作系统：> = Windows 10（64位）
• LabVIEW： >= 2018 (64-Bit)。
• AIVT-OV：>=virobotics_lib_ai_vision_toolkit_for_openvino-1.0.0.64.vip

2.2 软件下载与安装

• 参考官方指南进行安装，确保所有依赖项正确配置。

 三、AIPC上部署YOLO11模型

3.1 快速打开范例

1. 双击打开LabVIEW，在“Help”选项下找到“Find Examples…”单击打开。

2. 打开范例查找器，选择Directory Structure–VIRobotics -AI Vision–Object Detection即可获取所有目标检测的范例。不同模型的范例，放到了不同文件夹下。

3. 双击“YOLOv11”范例文件夹，双击YOLO11_OpenVINO.vi

3.2 运行代码

1.完成环境搭建并加载模型后，运行 YOLOv11_OpenVINO.vi，代码如下：

3.3 实测效果

本次用于实时图像采集的摄像头分辨率为1080p, 采样速率为30FPS，使用模型为yolo11n.onnx，模型输入为640*640。

1.在CPU上实测效果

完成目标检测过程，单路相机识别每帧图像27ms左右。CPU在目标检测过程中有一定的负载波动，尤其在处理较为复杂的图像时，CPU负载有所上升。

2.在GPU上实测效果

完成目标检测过程，单路相机识别每帧图像9ms左右，GPU有明显加速推理的效果。

3.在NPU上实测效果

完成目标检测过程，单路相机识别每帧图像12ms左右，因没有针对NPU进行模型的优化，所有NPU利用情况相对较低，使用优化之后的IR模型，速度应该会更快。

联系我们

如有任何问题或需求帮助，可以通过以下方式联系我们：

官网： 仪酷智能  

微信公众号：仪酷智能科技

B站：仪酷智能

邮箱： info@virobotics.net

总结

本次项目成功地展示了YOLO11在Intel AIPC设备上的目标检测效果，通过硬件加速的应用，提升了检测效率，特别是在GPU和NPU的加速下，进一步证明了硬件加速对实时视觉任务的重要性，希望本次测试能够为开发者提供有价值的参考