集成

Ultralytics YOLO 与 DEEPX 合作：用于物理 AI 的边缘 AI 推理

了解全新的 DEEPX 导出集成如何为 NPU 驱动的边缘 AI 硬件带来 Ultralytics YOLO 推理能力。

NUNuvola Ladi4 min readMay 13, 2026

用于物理 AI 的 Ultralytics YOLO 和 DEEPX 边缘 AI 推理

在 Ultralytics，随着 AI 更加深入地融入物理世界，我们看到越来越多的趋势转向直接在边缘设备上运行计算机视觉模型。从机器人和工业机械到智能摄像头和自动驾驶汽车，越来越多的智能系统被要求能够实时观察、理解和行动，而无需依赖云端。

这股全新的智能系统浪潮被称为物理 AI，它需要能够在现实世界中自主运行的高性能、超高能效计算能力。现实世界中的系统需要能够在边缘硬件上本地、可靠且高效运行的视觉 AI。

像 Ultralytics YOLO26 这样的 Ultralytics YOLO 模型专为实时计算机视觉而设计，但要在边缘端充分发挥其潜力，需要软件和硬件的完美结合。为此，我们很高兴宣布与 DEEPX 达成新的合作伙伴关系。

我们已与 DEEPX 达成合作，推出了一项全新的导出集成功能，使 Ultralytics YOLO 模型能够在 DEEPX NPU 硬件上实现高效、高性能的部署。我们将共同为物理 AI 的构建、部署和扩展设立一个统一的全球标准。

Ultralytics 01 图 1。 用于端侧 AI 推理的 DEEPX 硬件生态系统，包含 DX-M1 M.2 模块和 DX-AIPlayer N97 AI Box**。

对物理 AI 未来的共同愿景#

作为全球采用率最高的计算机视觉框架，Ultralytics 为这些系统提供了“眼睛”。作为最高效的 NPU 制造商之一，DEEPX 则提供了大规模运行它们的“大脑”。

在 Ultralytics 和 DEEPX，我们始终信奉并致力于无障碍、高性能和以开发者为先的设计。通过将 Ultralytics 和 DEEPX 的生态系统结合，我们提供了一条单一且值得信赖的商业部署视觉 AI 的途径，无论是正在交付首款产品的早期机器人公司，还是在数千家工厂部署视觉 AI 的财富 500 强制造商，都能从中受益。

这意味着：

更快的上市时间： 从标注到部署只需几天，而不是几个月。
更低的部署成本： 以极低的功耗和芯片成本获得 GPU 级性能，让你以 2-4 W 的功耗实现 250+ FPS 的帧率。
新的收入机会： 构建并交付以往经济上不可行的边缘 AI 产品。
面向未来的扩展性： 专门的 CI/CD 流水线确保每一个新的 Ultralytics 版本都能与 DEEPX 硬件开箱即用，并有 DEEPX 的多年供货承诺作为保障。

探索 DEEPX 的 NPU 技术#

DEEPX 是一家 AI 半导体创新企业，致力于提供高效的端侧 AI 硬件，专为像 Ultralytics YOLO 这样的视觉模型而构建，实现了业内领先的每瓦帧数 (FPS/W)。DEEPX 不追求理论指标的优化，而是专注于真实世界的能效，让开发者能够在极低的功耗预算下获得 GPU 级的结果。

实现这一点的关键在于全栈设计。DX-M1 NPU 专为加速计算机视觉模型的计算模式而设计，具有被动散热和低功耗特性，非常适合追求性能功耗比和长期可靠性的生产级部署。

随着 Edge AI 逐渐成为主流，关键在于可持续的性能：在严苛的功耗和散热限制下可靠地运行先进模型，同时保持真实部署的可扩展性。这就是为什么 FPS/W 已成为评估 Edge AI 平台最重要的指标之一。

Benchmark Image 图 2. YOLO26、YOLO11 和 YOLOv8 在 DX-M1 NPU 上的帕累托前沿基准测试。在配有 i5-14600K 主机（32GB RAM）、SDK dx-com v2.3.0 的 DX-M1 上测量，仅使用 NPU 芯片。

随着市场从概念验证 (PoC) 转向大规模部署，客户日益需要同一功耗和散热预算内同时运行多个 AI 模型。上图显示 YOLO26 始终在准确率和效率之间提供了更好的平衡：YOLO26n 在 DX-M1 上达到约 405 FPS/W，让开发者无需更换更大、更耗电的硬件即可运行更复杂的 AI 工作负载。

开始将 Ultralytics YOLO 模型导出到 DEEPX#

Ultralytics Python 包和Ultralytics 平台为跨所有五个计算机视觉任务训练、评估和部署 YOLO 模型提供了一个完整、统一的环境。无论你喜欢通过代码工作还是通过无摩擦的视觉工作流，这两种途径都为你提供了一种一致且可扩展的方式，将模型从数据带到部署。

通过此次合作，Ultralytics 推出了与 DEEPX 的全新导出集成，使 YOLO 模型能够通过单个命令（format=deepx）导出以部署在 DEEPX NPU 硬件上。该集成在整个 Ultralytics 生态系统中得到完全支持，这意味着开发者可以在注释和训练模型后，从 Python 包或直接从 Ultralytics 平台导出到 DEEPX。在导出期间，模型将被编译并进行 INT8 量化为优化的 .dxnn 二进制文件，其中基于 EMA 的校准可确保最大的 NPU 性能而不牺牲模型质量。

在实际操作中，这意味着商业团队只需三个命令即可从标注数据转变为在 DEEPX NPU 上运行的生产级模型：

# Step 1: Install Ultralytics
pip install ultralytics

# Step 2: Export your YOLO model to DEEPX format
yolo export model=yolo26n.pt format=deepx

# Step 3: Run inference on DEEPX hardware
yolo detect predict model=yolo26n_deepx_model

有关完整的设置详情，包括运行时安装和使用 DEEPX 的 dxtron 图形查看器进行可视化，请查看DEEPX 集成文档。

在 DEEPX NPU 上运行 Ultralytics YOLO 模型的主要优势#

以下是使用该新集成在 DEEPX 硬件上部署 Ultralytics YOLO 模型的一些关键优势：

与 Ultralytics 工作流程的无缝集成：将 YOLO 模型导出以供 DEEPX 部署可以自然地融入到 Ultralytics Python 软件包中，仅需一条 format=deepx 命令，即可实现边缘部署流程的标准化。
支持多种计算机视觉任务：你可以在 YOLOv8、YOLO11 和 YOLO26 上部署用于目标检测、分割、姿态估计、旋转边界框 (OBB) 检测和分类的模型。
超高效边缘推理：DEEPX NPU 以极低的功耗提供 GPU 级性能，其被动散热和超低功耗特性是生产级部署的理想选择。
面向未来的基础：专门的 CI/CD 流水线保证了与每一个新的 Ultralytics 版本的开箱即用兼容性，而从 DX-M1 到 DX-M2 的路线图将相同的软件栈扩展到了智能体 AI 时代。
可扩展至各种物理 AI 应用：从智能监控和工业检测到机器人和自动驾驶系统，该集成支持广泛的现实用例。

Ultralytics YOLO 和 DEEPX 硬件可以在哪些方面产生影响#

那么，Ultralytics YOLO 模型可以在哪些现实场景中通过 DEEPX 硬件部署于常见的物理 AI 应用呢？

边缘智能监控#

现代监控系统需要在不影响隐私或连接性的前提下进行实时检测。在 DEEPX NPU 上运行的 Ultralytics YOLO 模型使监控摄像头和管理系统能够在本地分析视频流，实时识别人员、车辆和异常活动，且功耗低且无需依赖云端。随着 GDPR 在欧洲的强制执行力度加大，且市政采购日益强制要求数据驻留，端侧推理正成为一种技术优势，也是合规层面的胜算。

工业自动化与质量控制#

在工厂和制造设施中，视觉 AI 正被越来越多地用于自动化质量控制、缺陷检测和过程监控。将 Ultralytics YOLO 模型与 DEEPX 硬件相结合，可实现能够在严苛的工业环境中 24/7 可靠运行的端侧检测，从而帮助减少浪费、提高产品质量并保障工人安全。

机器人与自动驾驶系统#

对于机器人而言，速度和响应能力至关重要。无论是仓库导航、在动态工业环境中操作，还是与人类并肩工作，机器人都需要即时解读周围环境。在 DEEPX NPU 上运行的 Ultralytics YOLO 模型使机器人能够实时检测障碍物、跟踪人员并识别物体，从而在不依赖持续云连接的情况下支持更安全的移动和更高的自主性。

关键要点#

Ultralytics YOLO 模型与 DEEPX NPU 的强强联手，让你比以往任何时候都更容易将高性能 Physical AI 引入边缘端。通过简化 format=deepx 标准的部署，并针对 DEEPX 的节能硬件优化模型，此次合作有助于弥合开发与现实商业应用之间的鸿沟。随着 Physical AI 的持续发展，此次合作正朝着让各个规模的企业都能享受到可访问、实惠且可扩展的生产级视觉 AI 迈出了一步。

准备好更快地将你的边缘 AI 产品推向市场了吗？