YOLO11 昇腾 NPU 目标检测部署实战课程

模型项目地址：hf_mirrors/Ultralytics/YOLO11 课程难度：入门 · 需要 Python 基础 | 预估学时：20～30 分钟 部署架构：基于 Ultralytics + torch_npu + YOLO CLI 部署

学习目标

本章结束后，你能够：

✅ 从昇腾 NPU 底层架构视角理解目标检测模型在 NPU 上的推理适配原理
✅ 按照"依赖安装 → 模型下载 → 图片检测 → 视频检测"完成 YOLO11 昇腾部署
✅ 使用 device=npu:0 参数将 YOLO 推理迁移到昇腾 NPU
✅ 理解 YOLO CLI 命令在昇腾上的关键参数配置

1. 第一性原理透视

1.1 核心定位

本节课的目标是：在昇腾 NPU 上，部署 YOLO11m——Ultralytics 最新一代目标检测模型，实现图片和视频的实时目标检测。

YOLO11 是目标检测领域的"轻量级效率之王"：相比 Transformer 类模型动辄数十亿参数，YOLO11m 仅约 20M 参数，却能在 640×640 分辨率下实现高精度检测。小参数 + 高吞吐，这与昇腾 NPU 的硬件特性完美契合。

1.2 目标检测模型在昇腾 NPU 上的架构差异

很多习惯了 CUDA 的开发者会认为：YOLO 不就是个推理脚本嘛，改个 device=cuda:0 为 device=npu:0 就行了——方向对了，但 YOLO 的计算特征与 LLM 有本质差异。

计算特征	纯文本 LLM	目标检测（YOLO11）
核心架构	Transformer Decoder	CNN Backbone + Neck + Detection Head
关键算子	Self-Attention（Cube 密集型）	Conv2D + C2PSA + DFL Head（Vector + Cube 混合型）
输入形态	离散 Token 序列	连续图像张量（B×3×640×640）
输出形态	文本 Token 序列	边界框坐标 + 类别概率 + 置信度
后处理	Token decode	NMS（非极大值抑制）—— 纯 Vector 算子密集
推理模式	自回归（逐 token）	单次前向传播（Non-Autoregressive）

**关键洞察**：YOLO 是**单次前向传播**模型——输入一张图片，一次前向即可输出所有检测框。这与 LLM 的自回归逐 token 生成完全不同。在昇腾上，YOLO 的推理瓶颈不在矩阵乘（Cube），而在 **Conv2D 卷积（Vector）** 和 **NMS 后处理（Vector + Scalar）**。理解这一点，才能正确评估 YOLO 在昇腾上的性能表现。

1.3 YOLO11 昇腾推理架构

┌──────────────────────────────────────────────────────┐
│              Ultralytics YOLO CLI                     │
│  ┌────────────────────────────────────────────────┐    │
│  │  yolo predict model=yolo11m.pt device=npu:0    │    │
│  │  ├─ 图片检测：source=bus.jpg                    │    │
│  │  └─ 视频检测：source=car.mp4                    │    │
│  └──────────────────┬───────────────────────────────┘    │
│                     │                                 │
│  ┌──────────────────▼───────────────────────────┐    │
│  │  YOLO11 推理链路                               │    │
│  │  ├─ Preprocess → 图像缩放 + 归一化             │    │
│  │  ├─ Backbone → Conv2D + C2PSA 特征提取        │    │
│  │  ├─ Neck → 特征金字塔多尺度融合                │    │
│  │  ├─ Head → 边界框 + 类别预测                   │    │
│  │  └─ Postprocess → NMS 非极大值抑制             │    │
│  └──────────────────┬───────────────────────────┘    │
│                     │                                 │
├─────────────────────┼────────────────────────────────┤
│       torch_npu + CANN 8.5                           │
│  ┌──────────────┐  ┌─▼──────────────┐                │
│  │  GE 图编译   │  │ CUBE + Vector  │                │
│  │  (算子融合)  │  │  混合执行      │                │
│  └──────────────┘  └────────────────┘                │
├──────────────────────────────────────────────────────┤
│              昇腾 NPU 硬件层                          │
│  ┌──────────┐ ┌──────────┐ ┌──────────────┐          │
│  │ Scalar   │ │ Vector   │ │ CUBE 矩阵乘  │          │
│  │ NMS 后处理│ │ Conv2D   │ │ 全连接层     │          │
│  └──────────┘ │ C2PSA    │ │ 预测头       │          │
│               └──────────┘ └──────────────┘          │
└──────────────────────────────────────────────────────┘

2. 渐进式实操指南

第一步：安装依赖

设计思路：YOLO11 基于 Ultralytics 框架，依赖 ultralytics、pillow、imageio-ffmpeg 等包。特别注意 opencv-python-headless 必须用 --force-reinstall --no-deps 安装，避免与昇腾环境的 OpenCV 冲突。

# [依赖安装] 安装 atomgit SDK 和 YOLO 依赖
!pip install -U atomgit ultralytics pillow imageio-ffmpeg -i https://mirrors.huaweicloud.com/repository/pypi/simple

# [OpenCV] 强制安装 headless 版本，避免 GUI 依赖冲突
!pip install --force-reinstall --no-deps opencv-python-headless -i https://mirrors.huaweicloud.com/repository/pypi/simple

**为什么 OpenCV 要用 headless 版本？** 昇腾 NPU 服务器通常没有图形界面（无 X11/Wayland），标准版 `opencv-python` 会尝试加载 GUI 库导致报错。`opencv-python-headless` 移除了所有 GUI 依赖，只保留图像处理核心功能，是服务器部署的必选版本。`--force-reinstall --no-deps` 确保不会引入冲突的依赖。

第二步：下载模型

设计思路：YOLO11m 模型权重托管在 AtomGit 平台，使用 atomgit_hub 的 snapshot_download 下载到本地。模型仅约 40MB，下载速度快。

# [模型下载] 从 AtomGit 平台下载 YOLO11 模型
from atomgit_hub import snapshot_download

model_repo = "hf_mirrors/Ultralytics/YOLO11"
local_dir = "/opt/atomgit/YOLO11"

snapshot_download(model_repo, local_dir=local_dir)
print(f"模型已下载到: {local_dir}")

第三步：下载测试数据

设计思路：准备一张测试图片（bus.jpg）和一段测试视频（car.mp4），用于验证图片和视频两种检测场景。

# [测试数据] 下载测试图片和视频
!mkdir -p /opt/atomgit/static

# 下载测试视频
!curl -L https://raw.gitcode.com/yanlp/statics/blobs/f7270a8622864ed63c42d36d6a3db7ea52f77302/car.mp4 -o /opt/atomgit/static/car.mp4

# 下载测试图片
!curl -L https://raw.gitcode.com/yanlp/statics/blobs/40eaaf5c330d0c498fbe1dcacf9bb8bf566797fe/bus.jpg -o /opt/atomgit/static/bus.jpg

第四步：配置 PATH 并进行图片目标检测

设计思路：Ultralytics 安装后，yolo CLI 命令在 ~/.local/bin/ 目录下，需要将其加入 PATH。然后使用 device=npu:0 参数将推理迁移到昇腾 NPU。

# [PATH 配置] 将 yolo CLI 注入 PATH
import os
os.environ['PATH'] = '/opt/atomgit/.local/bin:' + os.environ['PATH']

# [图片检测] 使用 YOLO11m 对图片进行目标检测
!yolo predict model=/opt/atomgit/YOLO11/yolo11m.pt \
                source=/opt/atomgit/static/bus.jpg \
                imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
                save=True save_txt=True save_conf=True \
                project=/opt/atomgit/tests name=predict-image

**YOLO CLI 关键参数解析**：

参数	值	说明
`model`	`/opt/atomgit/YOLO11/yolo11m.pt`	模型权重路径
`source`	图片或视频路径	推理输入源
`imgsz`	`640`	输入分辨率，YOLO11 默认 640×640
`conf`	`0.25`	置信度阈值，低于此值的检测框被过滤
`iou`	`0.45`	NMS 的 IoU 阈值，控制重叠框合并
`device`	`npu:0`	昇腾 NPU 设备——这是整个适配的关键参数
`save`	`True`	保存可视化结果
`save_txt`	`True`	保存检测框坐标到 TXT
`save_conf`	`True`	保存置信度信息

核心要点：device=npu:0 是 YOLO 在昇腾上运行的关键参数。Ultralytics 框架原生支持 torch_npu 设备字符串，无需额外适配代码，只需修改 device 参数即可。

第五步：视频目标检测

设计思路：视频检测与图片检测使用相同的 YOLO CLI 命令，仅 source 参数不同。YOLO 会逐帧处理视频，输出带检测框的 AVI 视频。

# [视频检测] 使用 YOLO11m 对视频进行逐帧目标检测
!yolo predict model=/opt/atomgit/YOLO11/yolo11m.pt \
              source=/opt/atomgit/static/car.mp4 \
              imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
              save=True save_txt=True save_conf=True \
              project=/opt/atomgit/tests name=predict-video

第六步：AVI 转 MP4

设计思路：YOLO 输出的视频为 AVI 格式（无压缩），文件较大且兼容性差。使用 imageio-ffmpeg 提供的 FFmpeg 转码为 H.264 MP4 格式，便于播放和分享。

# [视频转码] 将 AVI 输出转换为 MP4
import imageio_ffmpeg
FFMPEG = imageio_ffmpeg.get_ffmpeg_exe()

!{FFMPEG} -y -loglevel error \
    -i /opt/atomgit/tests/predict-video/car.avi \
    -c:v libx264 -pix_fmt yuv420p -movflags +faststart \
    /opt/atomgit/tests/predict-video/car.mp4

**验证成功的标志**： - 图片结果：`/opt/atomgit/tests/predict-image/` 目录下包含标注了检测框的图片 - 视频结果：`/opt/atomgit/tests/predict-video/car.mp4` 可正常播放，车辆周围有检测框 - 检测框坐标：对应目录下的 `.txt` 文件，格式为 `class x_center y_center width height confidence`

3. 模式化性能避坑

法则一：OpenCV 必须用 headless 版本

很多习惯了 GPU 环境的开发者在这里容易踩坑：直接 pip install opencv-python，结果在昇腾服务器上报 ImportError: libGL.so.1 或 cannot open display。

根本原因：标准版 opencv-python 编译时启用了 GTK/Qt GUI 后端，运行时会尝试连接 X11 显示服务器。昇腾 NPU 服务器通常是无头（headless）环境，没有 X11，导致动态库加载失败。

解决方案：始终安装 opencv-python-headless：

pip install --force-reinstall --no-deps opencv-python-headless -i https://mirrors.huaweicloud.com/repository/pypi/simple

--force-reinstall --no-deps 确保覆盖已有的标准版 OpenCV，且不引入额外依赖冲突。

法则二：视频检测后必须转码 AVI → MP4

另一个常见问题：YOLO 视频检测输出的是 AVI 格式（使用 MJPEG 编码），文件体积大、兼容性差，很多播放器无法正常播放。

根本原因：Ultralytics 的视频输出默认使用 cv2.VideoWriter 的 MJPEG 编码器，这是 OpenCV 最通用的编码器，但产生的文件体积远大于 H.264 压缩。

解决方案：检测完成后，使用 FFmpeg 转码为 H.264 MP4：

import imageio_ffmpeg
FFMPEG = imageio_ffmpeg.get_ffmpeg_exe()
# -c:v libx264: H.264 编码
# -pix_fmt yuv420p: 兼容性最好的像素格式
# -movflags +faststart: 将元数据移到文件头，支持流式播放

4. 环境变量速查表

环境变量	默认值	说明
`ASCEND_RT_VISIBLE_DEVICES`	`0`	昇腾 NPU 可见设备 ID
`CUDA_VISIBLE_DEVICES`	（空）	必须清空，防止 CUDA 回退
`PATH`	需追加 `/opt/atomgit/.local/bin`	yolo CLI 命令所在路径

5. 常见问题速查

问题	原因	解决方案
`ImportError: libGL.so.1`	安装了标准版 opencv-python	改装 `opencv-python-headless`
`yolo: command not found`	PATH 未包含 `~/.local/bin`	`os.environ['PATH'] = '/opt/atomgit/.local/bin:' + os.environ['PATH']`
`No CUDA GPUs available`	`device` 参数写错或 CUDA_VISIBLE_DEVICES 未清空	使用 `device=npu:0`，清空 `CUDA_VISIBLE_DEVICES`
检测结果无检测框	置信度阈值过高或图片无目标	调低 `conf=0.25` 至 `0.1`
视频输出无法播放	AVI 格式兼容性差	使用 FFmpeg 转码为 MP4
`ModuleNotFoundError`	安装后未重启内核	重启 Jupyter 内核后重试

6. YOLO CLI 参数参考

图片检测

yolo predict model=<模型路径> \
              source=<图片路径> \
              imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
              save=True save_txt=True save_conf=True \
              project=<输出目录> name=<实验名称>

视频检测

yolo predict model=<模型路径> \
              source=<视频路径> \
              imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
              save=True save_txt=True save_conf=True \
              project=<输出目录> name=<实验名称>

关键参数

参数	说明	推荐值
`model`	模型权重路径	`/opt/atomgit/YOLO11/yolo11m.pt`
`source`	输入源（图片/视频/摄像头）	文件路径
`imgsz`	推理分辨率	`640`
`conf`	置信度阈值	`0.25`（可调低至 0.1）
`iou`	NMS IoU 阈值	`0.45`
`device`	推理设备	`npu:0`（昇腾）

7. 参考资料

YOLO11 AtomGit 仓库：hf_mirrors/Ultralytics/YOLO11
AtomGit AI ：https://ai.atomgit.com/

YOLO11 昇腾 NPU 目标检测部署实战课程

模型项目地址：hf_mirrors/Ultralytics/YOLO11 课程难度：入门 · 需要 Python 基础 | 预估学时：20～30 分钟 部署架构：基于 Ultralytics + torch_npu + YOLO CLI 部署

学习目标

本章结束后，你能够：

✅ 从昇腾 NPU 底层架构视角理解目标检测模型在 NPU 上的推理适配原理
✅ 按照"依赖安装 → 模型下载 → 图片检测 → 视频检测"完成 YOLO11 昇腾部署
✅ 使用 device=npu:0 参数将 YOLO 推理迁移到昇腾 NPU
✅ 理解 YOLO CLI 命令在昇腾上的关键参数配置

1. 第一性原理透视

1.1 核心定位

本节课的目标是：在昇腾 NPU 上，部署 YOLO11m——Ultralytics 最新一代目标检测模型，实现图片和视频的实时目标检测。

1.2 目标检测模型在昇腾 NPU 上的架构差异

计算特征	纯文本 LLM	目标检测（YOLO11）
核心架构	Transformer Decoder	CNN Backbone + Neck + Detection Head
关键算子	Self-Attention（Cube 密集型）	Conv2D + C2PSA + DFL Head（Vector + Cube 混合型）
输入形态	离散 Token 序列	连续图像张量（B×3×640×640）
输出形态	文本 Token 序列	边界框坐标 + 类别概率 + 置信度
后处理	Token decode	NMS（非极大值抑制）—— 纯 Vector 算子密集
推理模式	自回归（逐 token）	单次前向传播（Non-Autoregressive）

1.3 YOLO11 昇腾推理架构

┌──────────────────────────────────────────────────────┐
│              Ultralytics YOLO CLI                     │
│  ┌────────────────────────────────────────────────┐    │
│  │  yolo predict model=yolo11m.pt device=npu:0    │    │
│  │  ├─ 图片检测：source=bus.jpg                    │    │
│  │  └─ 视频检测：source=car.mp4                    │    │
│  └──────────────────┬───────────────────────────────┘    │
│                     │                                 │
│  ┌──────────────────▼───────────────────────────┐    │
│  │  YOLO11 推理链路                               │    │
│  │  ├─ Preprocess → 图像缩放 + 归一化             │    │
│  │  ├─ Backbone → Conv2D + C2PSA 特征提取        │    │
│  │  ├─ Neck → 特征金字塔多尺度融合                │    │
│  │  ├─ Head → 边界框 + 类别预测                   │    │
│  │  └─ Postprocess → NMS 非极大值抑制             │    │
│  └──────────────────┬───────────────────────────┘    │
│                     │                                 │
├─────────────────────┼────────────────────────────────┤
│       torch_npu + CANN 8.5                           │
│  ┌──────────────┐  ┌─▼──────────────┐                │
│  │  GE 图编译   │  │ CUBE + Vector  │                │
│  │  (算子融合)  │  │  混合执行      │                │
│  └──────────────┘  └────────────────┘                │
├──────────────────────────────────────────────────────┤
│              昇腾 NPU 硬件层                          │
│  ┌──────────┐ ┌──────────┐ ┌──────────────┐          │
│  │ Scalar   │ │ Vector   │ │ CUBE 矩阵乘  │          │
│  │ NMS 后处理│ │ Conv2D   │ │ 全连接层     │          │
│  └──────────┘ │ C2PSA    │ │ 预测头       │          │
│               └──────────┘ └──────────────┘          │
└──────────────────────────────────────────────────────┘

2. 渐进式实操指南

第一步：安装依赖

# [依赖安装] 安装 atomgit SDK 和 YOLO 依赖
!pip install -U atomgit ultralytics pillow imageio-ffmpeg -i https://mirrors.huaweicloud.com/repository/pypi/simple

# [OpenCV] 强制安装 headless 版本，避免 GUI 依赖冲突
!pip install --force-reinstall --no-deps opencv-python-headless -i https://mirrors.huaweicloud.com/repository/pypi/simple

第二步：下载模型

设计思路：YOLO11m 模型权重托管在 AtomGit 平台，使用 atomgit_hub 的 snapshot_download 下载到本地。模型仅约 40MB，下载速度快。

# [模型下载] 从 AtomGit 平台下载 YOLO11 模型
from atomgit_hub import snapshot_download

model_repo = "hf_mirrors/Ultralytics/YOLO11"
local_dir = "/opt/atomgit/YOLO11"

snapshot_download(model_repo, local_dir=local_dir)
print(f"模型已下载到: {local_dir}")

第三步：下载测试数据

设计思路：准备一张测试图片（bus.jpg）和一段测试视频（car.mp4），用于验证图片和视频两种检测场景。

# [测试数据] 下载测试图片和视频
!mkdir -p /opt/atomgit/static

# 下载测试视频
!curl -L https://raw.gitcode.com/yanlp/statics/blobs/f7270a8622864ed63c42d36d6a3db7ea52f77302/car.mp4 -o /opt/atomgit/static/car.mp4

# 下载测试图片
!curl -L https://raw.gitcode.com/yanlp/statics/blobs/40eaaf5c330d0c498fbe1dcacf9bb8bf566797fe/bus.jpg -o /opt/atomgit/static/bus.jpg

第四步：配置 PATH 并进行图片目标检测

设计思路：Ultralytics 安装后，yolo CLI 命令在 ~/.local/bin/ 目录下，需要将其加入 PATH。然后使用 device=npu:0 参数将推理迁移到昇腾 NPU。

# [PATH 配置] 将 yolo CLI 注入 PATH
import os
os.environ['PATH'] = '/opt/atomgit/.local/bin:' + os.environ['PATH']

# [图片检测] 使用 YOLO11m 对图片进行目标检测
!yolo predict model=/opt/atomgit/YOLO11/yolo11m.pt \
                source=/opt/atomgit/static/bus.jpg \
                imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
                save=True save_txt=True save_conf=True \
                project=/opt/atomgit/tests name=predict-image

**YOLO CLI 关键参数解析**：

参数	值	说明
`model`	`/opt/atomgit/YOLO11/yolo11m.pt`	模型权重路径
`source`	图片或视频路径	推理输入源
`imgsz`	`640`	输入分辨率，YOLO11 默认 640×640
`conf`	`0.25`	置信度阈值，低于此值的检测框被过滤
`iou`	`0.45`	NMS 的 IoU 阈值，控制重叠框合并
`device`	`npu:0`	昇腾 NPU 设备——这是整个适配的关键参数
`save`	`True`	保存可视化结果
`save_txt`	`True`	保存检测框坐标到 TXT
`save_conf`	`True`	保存置信度信息

第五步：视频目标检测

设计思路：视频检测与图片检测使用相同的 YOLO CLI 命令，仅 source 参数不同。YOLO 会逐帧处理视频，输出带检测框的 AVI 视频。

# [视频检测] 使用 YOLO11m 对视频进行逐帧目标检测
!yolo predict model=/opt/atomgit/YOLO11/yolo11m.pt \
              source=/opt/atomgit/static/car.mp4 \
              imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
              save=True save_txt=True save_conf=True \
              project=/opt/atomgit/tests name=predict-video

第六步：AVI 转 MP4

设计思路：YOLO 输出的视频为 AVI 格式（无压缩），文件较大且兼容性差。使用 imageio-ffmpeg 提供的 FFmpeg 转码为 H.264 MP4 格式，便于播放和分享。

# [视频转码] 将 AVI 输出转换为 MP4
import imageio_ffmpeg
FFMPEG = imageio_ffmpeg.get_ffmpeg_exe()

!{FFMPEG} -y -loglevel error \
    -i /opt/atomgit/tests/predict-video/car.avi \
    -c:v libx264 -pix_fmt yuv420p -movflags +faststart \
    /opt/atomgit/tests/predict-video/car.mp4

3. 模式化性能避坑

法则一：OpenCV 必须用 headless 版本

很多习惯了 GPU 环境的开发者在这里容易踩坑：直接 pip install opencv-python，结果在昇腾服务器上报 ImportError: libGL.so.1 或 cannot open display。

解决方案：始终安装 opencv-python-headless：

pip install --force-reinstall --no-deps opencv-python-headless -i https://mirrors.huaweicloud.com/repository/pypi/simple

--force-reinstall --no-deps 确保覆盖已有的标准版 OpenCV，且不引入额外依赖冲突。

法则二：视频检测后必须转码 AVI → MP4

另一个常见问题：YOLO 视频检测输出的是 AVI 格式（使用 MJPEG 编码），文件体积大、兼容性差，很多播放器无法正常播放。

根本原因：Ultralytics 的视频输出默认使用 cv2.VideoWriter 的 MJPEG 编码器，这是 OpenCV 最通用的编码器，但产生的文件体积远大于 H.264 压缩。

解决方案：检测完成后，使用 FFmpeg 转码为 H.264 MP4：

import imageio_ffmpeg
FFMPEG = imageio_ffmpeg.get_ffmpeg_exe()
# -c:v libx264: H.264 编码
# -pix_fmt yuv420p: 兼容性最好的像素格式
# -movflags +faststart: 将元数据移到文件头，支持流式播放

4. 环境变量速查表

环境变量	默认值	说明
`ASCEND_RT_VISIBLE_DEVICES`	`0`	昇腾 NPU 可见设备 ID
`CUDA_VISIBLE_DEVICES`	（空）	必须清空，防止 CUDA 回退
`PATH`	需追加 `/opt/atomgit/.local/bin`	yolo CLI 命令所在路径

5. 常见问题速查

问题	原因	解决方案
`ImportError: libGL.so.1`	安装了标准版 opencv-python	改装 `opencv-python-headless`
`yolo: command not found`	PATH 未包含 `~/.local/bin`	`os.environ['PATH'] = '/opt/atomgit/.local/bin:' + os.environ['PATH']`
`No CUDA GPUs available`	`device` 参数写错或 CUDA_VISIBLE_DEVICES 未清空	使用 `device=npu:0`，清空 `CUDA_VISIBLE_DEVICES`
检测结果无检测框	置信度阈值过高或图片无目标	调低 `conf=0.25` 至 `0.1`
视频输出无法播放	AVI 格式兼容性差	使用 FFmpeg 转码为 MP4
`ModuleNotFoundError`	安装后未重启内核	重启 Jupyter 内核后重试

6. YOLO CLI 参数参考

图片检测

yolo predict model=<模型路径> \
              source=<图片路径> \
              imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
              save=True save_txt=True save_conf=True \
              project=<输出目录> name=<实验名称>

视频检测

yolo predict model=<模型路径> \
              source=<视频路径> \
              imgsz=640 conf=0.25 iou=0.45 device=npu:0 \
              save=True save_txt=True save_conf=True \
              project=<输出目录> name=<实验名称>

关键参数

参数	说明	推荐值
`model`	模型权重路径	`/opt/atomgit/YOLO11/yolo11m.pt`
`source`	输入源（图片/视频/摄像头）	文件路径
`imgsz`	推理分辨率	`640`
`conf`	置信度阈值	`0.25`（可调低至 0.1）
`iou`	NMS IoU 阈值	`0.45`
`device`	推理设备	`npu:0`（昇腾）

7. 参考资料

YOLO11 AtomGit 仓库：hf_mirrors/Ultralytics/YOLO11
AtomGit AI ：https://ai.atomgit.com/

YOLO11 昇腾 NPU 目标检测部署实战课程

学习目标

1. 第一性原理透视

1.1 核心定位

1.2 目标检测模型在昇腾 NPU 上的架构差异

1.3 YOLO11 昇腾推理架构

2. 渐进式实操指南

第一步：安装依赖

第二步：下载模型

第三步：下载测试数据

第四步：配置 PATH 并进行图片目标检测

第五步：视频目标检测

第六步：AVI 转 MP4

3. 模式化性能避坑

法则一：OpenCV 必须用 headless 版本

法则二：视频检测后必须转码 AVI → MP4

4. 环境变量速查表

5. 常见问题速查

6. YOLO CLI 参数参考

图片检测

视频检测

关键参数

7. 参考资料

需要登录后查看

YOLO11 昇腾 NPU 目标检测部署实战课程

学习目标

1. 第一性原理透视

1.1 核心定位

1.2 目标检测模型在昇腾 NPU 上的架构差异

1.3 YOLO11 昇腾推理架构

2. 渐进式实操指南

第一步：安装依赖

第二步：下载模型

第三步：下载测试数据

第四步：配置 PATH 并进行图片目标检测

第五步：视频目标检测

第六步：AVI 转 MP4

3. 模式化性能避坑

法则一：OpenCV 必须用 headless 版本

法则二：视频检测后必须转码 AVI → MP4

4. 环境变量速查表

5. 常见问题速查

6. YOLO CLI 参数参考

图片检测

视频检测

关键参数

7. 参考资料

需要登录后查看