在英特尔AIPC上利用LabVIEW与YOLOv11实现目标检测

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。

1

前言

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。

 

 

 

 

 

 

2.   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。

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

2

环境搭建

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.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。

3

AIPC上部署YOLO11模型

1.快速打开范例

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

1.2 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。

1.3双击“YOLOv11”范例文件夹，双击YOLO11_OpenVINO.vi

2.运行代码

2.1完成环境搭建并加载模型后，运行 YOLOv11_OpenVINO.vi，代码如下： 

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。

3.1 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。

3.2 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。

3.3 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。