--- title: 基于香橙派AI Studio的yolo11推理应用部署-官方技术文章-昇腾社区 description: 本案例在香橙派AI Studio上实现yolo11推理应用部署 keywords: AI,基于香橙派,Studio,推理应用部署,官方技术文章,昇腾社区,前言,实验环境 url: https://www.hiascend.com/developer/techArticles/20251013-1 section: (其他) --- # 基于香橙派AI Studio的yolo11推理应用部署-官方技术文章-昇腾社区 URL: https://www.hiascend.com/developer/techArticles/20251013-1 描述: 本案例在香橙派AI Studio上实现yolo11推理应用部署 关键词: AI,基于香橙派,Studio,推理应用部署,官方技术文章,昇腾社区,前言,实验环境 官方技术文章 [了解详情](https://www.hiascend.com/zh/developer/techArticles) 基于香橙派AI Studio的yolo11推理应用部署 基于香橙派AI Studio的yolo11推理应用部署 AI Studio 发表于: 2025/10/14 2.6k 12 # 基于香橙派AI Studio的yolo11推理应用部署 ## 01前言 YOLO11 是UltralyticsYOLO 系列实时目标检测器的最新迭代版本，它以前沿的精度、速度和效率重新定义了可能性。YOLO11 在之前 YOLO 版本的显著进步基础上，在架构和训练方法上进行了重大改进，使其成为各种计算机视觉任务的多功能选择。本案例在香橙派AI Studio进行推理应用部署，实验环境请参考在线课程：《开箱实测OrangePi AI Studio》。 [了解详情](https://www.hiascend.com/developer/courses/detail/1945742508413202433) # 2.实验环境 硬件准备 | 配件名称 | | ---| | 香橙派AI Studio | | 电脑主机 | | USB4数据线 | | 显示器、鼠标、键盘、HDMI连接线 | 系统基础环境 | Ubuntu系统 | 22.04.5-desktop-amd64 | | --- | ---| | Ascend-cann-toolkit | 8.0.0.beta1 | | Ascend-cann-kernels-310* | 8.0.0.beta1 | 本案例环境要求 | python | 3.11 | | --- | ---| | numpy | 1.24.4 | | torch | 2.1.0+cpu | | torch_npu | 2.1.0.post13 | | torchvision | 0.16.0 | 因与其他python环境不一致，可采用conda创建虚拟环境。以下是具体环境搭建的过程 ### 2.1 实验环境搭建 #### 2.1.1安装 Miniconda 1.下载 Miniconda 安装脚本 ``` wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh ``` 2.添加可执行权限 ``` sudo chmod +x Miniconda3-latest-Linux-x86_64.sh ``` 3.运行安装脚本 ``` sudo ./Miniconda3-latest-Linux-x86_64.sh ``` 4.将 Miniconda 加入 PATH 路径 ``` vim ~/.bashrc # 在文件末尾添加以下内容 export PATH="/home/your_username/miniconda3/bin:$PATH" source ~/.bashrc ``` ### 2.1.2 创建案例虚拟环境 1.创建 conda 环境 ``` conda create -n yolo11 python=3.11 ``` 2.激活 conda 环境 ``` conda activate yolo11 ``` 3.安装Ultralytics 库 ``` pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple #在安装中会自动安装多个库，等待安装成功即可 ``` 4.torch安装 ``` # 下载软件包 wget https://download.pytorch.org/whl/cpu/torch-2.1.0%2Bcpu-cp311-cp311-linux_x86_64.whl # 安装命令 pip3 install torch-2.1.0+cpu-cp311-cp311-linux_x86_64.whl ``` 5.torch_npu安装 ``` # 下载插件包 wget https://gitcode.com/Ascend/pytorch/releases/download/v7.1.0-pytorch2.1.0/torch_npu-2.1.0.post13-cp311-cp311-manylinux_2_17_x86_64.manylinux2014_x86_64.whl # 安装命令 pip3 install torch_npu-2.1.0.post13-cp311-cp311-manylinux_2_17_x86_64.manylinux2014_x86_64.whl ``` 6.安装依赖 ``` pip install numpy==1.24.4 decorator attrs psutil absl-py cloudpickle ml-dtypes psutil scipy tornado PyYAML -i https://mirrors.huaweicloud.com/repository/pypi/simple pip install torchvision=0.16 -i https://pypi.tuna.tsinghua.edu.cn/simple sudo apt update sudo apt install -y g++-12 ``` 7.查看安装库版本是否与要求的一致 ``` pip list #torch、torch_npu、numpy、torchvision 主要是这几个库版本与前文要求一致 ``` 8.验证是否安装成功 ``` source /usr/local/Ascend/ascend-toolkit/set_env.sh python -c "import torch;import torch_npu; a = torch.randn(3, 4).npu(); print(a + a);" ``` ## 3.实验过程 - 创建运行代码目录 ``` mkdir yolo11 cd yolo11 mkdir images ``` 从官网 [了解详情](https://github.com/ultralytics/ultralytics/tree/main)下载下载yolo模型，放到yolo11目录下。 在images目录下 放待检测的图片,检测图片可从链接 [了解详情](https://ultralytics.com/images/bus.jpg)中下载。以yolo11n，目标检测模型为例，其他同理。 1.编辑脚本 ``` vi yolo11_detect.py ``` yolo11_detect.py脚本如下 ``` import argparse import torch import torch_npu from torch_npu.contrib import transfer_to_npu from ultralytics import YOLO if __name__ == '__main__': torch_npu.npu.set_compile_mode(jit_compile=False) torch_npu.npu.config.allow_internal_format = False device = torch.device('npu:0') model = YOLO('./yolo11n.pt').to(device) pred = model(source='./images', save=True, save_txt=True, imgsz=640, conf=0.65) ``` 编辑完成后，保存退出。 2.运行脚本 ``` python yolo11_detect.py ``` 输出推理结果 拓展： 1、可接入USB摄像头，进行实时目标检测 2、可替换其他模型，进行图像分类、目前检测、图像分割、姿态识别等 ## 4.总结 本案例在香橙派AI Studio 上，使用torch_npu进行yolo11目标检测推理应用部署。 点赞 12 本页内容 基于香橙派AI Studio的yolo11推理应用部署 [了解详情](https://www.hiascend.com/#id-1) 01前言 [了解详情](https://www.hiascend.com/#id-2) 2.实验环境 [了解详情](https://www.hiascend.com/#id-3) 3.实验过程 [了解详情](https://www.hiascend.com/#id-4) 4.总结 [了解详情](https://www.hiascend.com/#id-5)