【YOLOv11】实战一：在LabVIEW 中使用OpenVINO实现YOLOv11

最新推荐文章于 2025-06-01 17:47:01 发布

virobotics

最新推荐文章于 2025-06-01 17:47:01 发布

阅读量2.1k

点赞数 41

CC 4.0 BY-SA版权

分类专栏： LabVIEW深度学习实战深度学习：物体识别（目标检测）文章标签： YOLO labview openvino 人工智能机器人目标检测深度学习

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.youkuaiyun.com/virobotics/article/details/142906725

LabVIEW深度学习实战同时被 2 个专栏收录

47 篇文章

订阅专栏

深度学习：物体识别（目标检测）

13 篇文章

订阅专栏

‍‍🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主
🎄所属专栏：『LabVIEW深度学习实战』
📑推荐文章：『LabVIEW人工智能深度学习指南』
🍻本文由virobotics(仪酷智能)原创

🥳欢迎大家关注✌点赞👍收藏⭐留言📝订阅专栏

🧩前言

Hello，大家好，我是你们的virobotics（仪酷智能），一个深耕于LabVIEW和人工智能领域的开发工程师。

今天我们一起来看一下，如何使用LabVIEW OpenVINO工具包实现YOLOv11的推理部署。其他yolo模型在LabVIEW中的部署可以查看专栏【深度学习：物体识别（目标检测）】

🧭一、YOLOv11简介

YOLOv11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，它在2024年9月30日的YOLO Vision 2024（YV24）活动中被正式发布。

YOLOv11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，YOLOv11m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%，从而在不影响精度的情况下提高了计算效率。YOLOv11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），YOLOv11都能应对各种计算机视觉挑战。

在这里插入图片描述

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

🎈二、YOLOv11环境搭建

部署本项目时所用环境

操作系统：Windows 64
LabVIEW：2018及以上 64位版本
AI视觉工具包（techforce_lib_opencv_cpu）：1.0.1.26及以上版本
OpenVINO工具包（virobotics_lib_openvino）1.0.0.36及以上版本
仪酷Object Detection工具包（virobotics_lib_object_detection）：1.0.0.11及以上版本

软件下载及安装

在Windows上搭建OpenVINO™LabVIEW开发环境
LabVIEW Object_Detection工具包下载与安装
https://blog.youkuaiyun.com/virobotics/article/details/132529219

⚒️三、项目实战

1.双击打开LabVIEW，在“Help”选项下找到“Find Examples…”单击打开。
在这里插入图片描述
2. 打开范例查找器，选择Directory Structure–VIRobotics -AI Vision–Object Detection即可获取所有的范例。不同模型的范例，放到了不同文件夹下。

3. 以YOLOv11相关范例为例，双击“YOLOv11”范例文件夹，双击想要运行的vi（若您电脑当前无法使用相机，建议加载名字含有“imgs”的vi范例）。
在这里插入图片描述
（注意：范例VI名字中带有openvino表示该范例使用OpenVINO工具包实现推理；范例VI中带有nivision表示使用NI VISION方式进行图像采集并实现推理，如您预计使用官方NI VISION来采集图像，则可使用此范例。不带有nivision则表示使用仪酷工具包进行图像采集或图像读取来实现推理。）
4. 若您电脑没有安装NI VISION工具包，则在打开范例过程中会出现如下图所示弹窗，一直点击“Ignore Item”即可，或者直接点击Ignore All。
在这里插入图片描述
5. 加载YOLOv11模型实现目标检测

6. 完整代码

7.运行效果