Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
接受所有 Cookie
Cookie 设置
深圳Yolo 视觉
深圳
立即加入
返回合作伙伴

采用Axelera AI技术，专为效率优化而设计的高性能边缘AI

Ultralytics 与 Axelera AIUltralytics 利用在 Metis® AI 处理单元上运行的 Axelera Voyager® SDK，在边缘端提供智能推理功能。

申请许可
了解我们的解决方案
采用Axelera AI技术，专为效率优化而设计的高性能边缘AI

关于Axelera AI

Axelera AI 致力于提供全球最强大、最先进的边缘人工智能解决方案。其开创行业的 Metis® AI 平台——一套专为边缘端人工智能推理设计的完整软硬件解决方案——使计算机视觉应用比以往任何时候都更加易于使用、功能更强大且用户友好。

Axelera AI 总部位于荷兰埃因霍温高科技园区的 AI 创新中心，在比利时、瑞士、意大利和英国设有研发办公室，业务遍及 20 个国家，客户遍布各大洲。其由 AI 软件和硬件专家组成的团队成员均来自顶尖的 AI 企业和《财富》500 强公司。

为什么选择Axelera来Ultralytics YOLO？

部署性能与效率无与伦比的Ultralytics YOLO

针对Ultralytics YOLO进行了优化

开箱即用，全面YOLO ，从YOLOv8 YOLO26 均无需手动配置。

Edge 原生性能

Metis AIPU 和 D-IMC 技术：卓越的边缘吞吐量，极低的功耗。

实时推理

在所有五个YOLO 上均支持端上推理，兼具实际应用中的速度与可靠性。

更低的拥有成本

功耗仅为 GPU 的零头，且无需在性能上做出任何妥协。

轻松集成

通过Ultralytics Python 一步式导出。剩下的工作由 Voyager SDK 完成。

面向未来

全面支持Ultralytics YOLO 并将随着新架构的发布及时集成。

完整的解决方案

使用Ultralytics YOLO进行训练

在Ultralytics 构建并优化您的自定义YOLO 。从Ultralytics YOLOv8 YOLO26，您可以使用最先进的架构、精心筛选的数据集以及强大的优化工具，所有这些都旨在帮助您更快地投入生产。

导出为Axelera格式

只需一条命令，即可将您训练好的YOLO 进行转换和量化，以便在 Axelera Metis AIPU 上部署。导出过程会将您的模型编译成一个经过优化的 .axm 包，其中包含网络拓扑、权重和元数据。

部署到 Metis AIUP 上

在Axelera的Metis AI处理单元上进行推理，兼具高吞吐量和超低功耗。每颗芯片配备四个可独立编程的核心，您可以在PyTorch 无需使用PyTorch ，即可并行运行多达四个模型。
导出为Axelera格式

技术集成

Ultralytics 与 Axelera AI 硬件之间的无缝集成
支持的机型
支持的任务
性能基准测试
使用示例

Ultralytics YOLOv8

8

YOLOv8 性能，并新增了以下支持的任务：分割、分类和姿势估计 。

YOLOv8n
YOLOv8s
YOLOv8m

+22

Ultralytics YOLO11

11

YOLO11 用户熟悉的计算机视觉任务，同时在准确率、精确率和速度方面表现更佳。

YOLO11n
YOLO11s
YOLO11m

+22

Ultralytics YOLO26

26

YOLO26 是一款更轻便、更小巧且更快的模型，其 nano 版本在标准 CPU 上运行时，推理速度最高可提升 43%。

YOLO26n
YOLO26s
YOLO26m

+22

目标检测

Detect 图像或视频中的目标，并使用轴对齐的边界框。

实例分割

创建像素级精确的掩码，突出显示帧内的目标。

图像分类

为整张图片分配一个或多个标签。

姿势估计

Detect 并标注身体关键点，用于身体姿态监测。

定向边界框对象检测

Detect 带有角度感知边界框的旋转目标。
两名仓库工人戴着黄色安全背心和头盔，正在检查堆叠的木托盘。
藤蔓上的紫色葡萄，每颗葡萄的轮廓均清晰可见，展示了实例分割。
生产线上标有“无瑕疵”字样的瓶子，表明制造过程中采用了自动缺陷检测。
一头靠近水边的斑马，其身体上叠加了关键点，用于演示姿势估计 。
施工现场的航拍图，卡车和挖掘机被边界框标出，展示了物体检测和跟踪功能。

Metis AIPU 的实际性能

了解Ultralytics YOLO在 Axelera 硬件上的表现，包括帧率、延迟、准确率、任务类型及模型规模等维度。

阅读文档
部署到 Metis AIUP 上

导出为Axelera格式

Python
CLI
from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("[yolo26n.pt](http://yolo26n.pt)")
# Export to Axelera format
model.export(format="axelera")  # creates 'yolo26n_axelera_model' directory

yolo export model=yolo26n.pt format=axelera

使用Axelera模型进行推理

Python
CLI
from ultralytics import YOLO
# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
# Process results
for r in results:
    print(f"Detected {len(r.boxes)} objects")
    [r.show](http://r.show)()  # Display results

yolo predict model='yolo26n_axelera_model' source='https://ultralytics.com/images/bus.jpg'

开始使用 Axelera AI

在 Axelera AI 的 Metis 处理单元上部署YOLO 所需的一切
YOLO Axelera AI 设备YOLO 部署Ultralytics YOLO 的完整集成指南

开始使用 Axelera AI

在 Axelera AI 的 Metis 处理单元上部署YOLO 所需的一切

了解更多
了解更多关于Ultralytics Axelera AI 解决方案的实际应用案例。

Axelera AI 案例研究

了解更多关于Ultralytics Axelera AI 解决方案的实际应用案例。

了解更多
了解如何将Ultralytics YOLO 直接部署到 Metis® AIPU 上。

Axelera AI 博客

了解如何将Ultralytics YOLO 直接部署到 Metis® AIPU 上。

了解更多

成为Ultralytics合作伙伴

加入我们的合作伙伴生态系统，发掘提供前沿人工智能解决方案的新机遇

成为合作伙伴