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

YOLO Intel YOLO 部署Ultralytics YOLO Intel 高性能推理

Ultralytics 与Intel Ultralytics 利用 CPU、NPU 和 GPU 的强大性能Intel 高性能推理Intel 。

探索合作机会
了解我们的解决方案
YOLO Intel YOLO 部署Ultralytics YOLO Intel 高性能推理

关于Intel

Intel 纳斯达克代码：INTC）是业界翘楚，致力于创造改变世界的技术，推动全球进步，丰富人们的生活。Intel 推进半导体设计与制造技术，助力客户应对最严峻的挑战，将智能融入云端、网络、边缘及每一台计算设备，从而推动商业与社会的变革。


OpenVINO™ 是一款开源工具包，可在保持准确性的同时优化硬件利用率，通过降低延迟和提高吞吐量来加速 AI 推理。它简化了计算机视觉、大型语言模型和生成式 AI 领域的 AI 开发及深度学习集成。

为什么选择Intel YOLO？

部署性能与效率无与伦比的Ultralytics YOLO

针对Ultralytics YOLO进行了优化

Intel全系列设备均具备最高吞吐量和最低延迟。

Edge 原生性能

支持 FP32、FP16 和 INT8 的边缘就绪型YOLO 。无需在精度上做出妥协。

实时推理

在所有主要YOLO 中，推理时间均低于 10 毫秒，Intel 、GPU 和 NPU 上验证。

更低的拥有成本

在现有Intel 上进行推理。成本更低，且不影响准确性。

轻松集成

使用Ultralytics Python 或CLI，几分钟内即可快速部署。API 相同，工作流程一致。

面向未来

始终采用最新的YOLO 和Intel 。无需重新构建管道。

完整的解决方案

与Ultralytics一起Ultralytics

在Ultralytics 业界领先的平台上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OpenVINO

OpenVINO 一条命令OpenVINO 将训练好的模型转换并量化为OpenVINO 。导出过程会生成一个经过优化的模型包，其中包含网络拓扑、权重和tensor ，从而使其在全系列Intel 上运行得更快。

部署在Intel 上

通过统一的 API，Intel 、集成显卡、独立显卡和 NPU 上运行推理任务。无需重写代码，无需编写特定于硬件的代码，无论部署在何处，都能获得一致且经过加速的性能。
导出为OpenVINO

技术集成

Ultralytics 与Intel 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。

模型在Intel 上的性能

了解Ultralytics YOLO Intel 、GPU 和 NPU 上的运行表现。

阅读文档
部署在Intel 上
Python
CLI
from ultralytics import YOLO
# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")
# Export the model
model.export(format="openvino")  # creates 'yolo26n_openvino_model/'
# Load the exported OpenVINO model
ov_model = YOLO("yolo26n_openvino_model/")
# Run inference
results = ov_model("https://ultralytics.com/images/bus.jpg")
# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

# Export a YOLO26n PyTorch model to OpenVINO format
yolo export model=yolo26n.pt format=openvino # creates 'yolo26n_openvino_model/'
# Run inference with the exported model
yolo predict model=yolo26n_openvino_model source='https://ultralytics.com/images/bus.jpg'
# Run inference with specified device, available devices: ["intel:gpu", "intel:npu", "intel:cpu"]
yolo predict model=yolo26n_openvino_model source='https://ultralytics.com/images/bus.jpg' device="intel:gpu"

​

开始使用Intel

YOLO OpenVINO Intel 部署Ultralytics YOLO 的完整指南。
YOLO OpenVINO Intel 部署Ultralytics YOLO 的完整指南。

开始使用Intel

YOLO OpenVINO Intel 部署Ultralytics YOLO 的完整指南。

了解更多
YOLO OpenVINO 优化Ultralytics YOLO OpenVINO Intel 个人电脑上OpenVINO 快速、实时的推理。

YOLO Intel 电脑YOLO 运行YOLO

YOLO OpenVINO 优化Ultralytics YOLO OpenVINO Intel 个人电脑上OpenVINO 快速、实时的推理。

了解更多
Intel 展示Ultralytics YOLO OpenVINO 。

2025 年伦敦YOLO 愿景

Intel 展示Ultralytics YOLO OpenVINO 。

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

探索合作机会