高通QCS8850 AI 模型性能全解析:YOLO系列Benchmark

伊利丹~怒风
企业官方账号
2025-07-09 15:27:21

 前言

在当下 AI 技术迅猛发展的浪潮中,边缘计算与人工智能的融合正成为推动各行业数字化转型的关键力量。高通 QCS8850 作为一款面向物联网(IoT)领域的高端处理器,凭借其卓越的计算能力、强大的边缘 AI 处理性能、先进的 Wi-Fi 7 连接技术以及出色的视频和图形处理能力,成为了众多对性能要求严苛的 IoT 应用的理想之选。

 

与此同时,目标检测作为计算机视觉领域的核心任务,在安防监控、自动驾驶、工业质检等诸多场景中发挥着举足轻重的作用。YOLO(You Only Look Once)系列算法以其高效、快速的检测性能,长期稳居实时目标检测技术的前沿。而 YOLO 系列的最新成果 ——YOLOv11,更是通过创新性的架构设计与训练策略,在检测精度、推理速度以及部署便利性等方面实现了重大突破。

 

将 YOLO 这一系列先进的目标检测模型部署于高通 QCS8850 处理器上,有望为边缘设备的实时视觉分析应用带来前所未有的变革。在本文中,我们将深入聚焦于高通 QCS8550 部署 Yolo 模型,并对其性能展开全方位、深层次的测试分析,旨在深度挖掘二者结合在实际应用场景中的巨大潜力与独特优势,为推动边缘 AI 技术在各行业的广泛应用提供极具价值的参考依据。 

Qualcomm Dragonwing™ QCS8550 | Qualcomm

Ultralytics YOLO11 -Ultralytics YOLO 文档

模型优化平台 (AIMO) 用户指南 | APLUX Doc Center

QCS8550 硬件性能全解析:参数、性能、优化,一篇讲透_高通8550-CSDN博客

YOLO系列Benchmark

高通QCS8550关于YOLO系列Benchmark

模型

尺寸640*640

类型CPUNPU QNN2.31NPU QNN2.31
FP32FP16INT8
YOLOv5n目标识别137 ms7.29 FPS2.89 ms346.02 FPS1.43 ms699.30 FPS
YOLOv5s目标识别511 ms1.95 FPS5.12 ms195.31 FPS1.93 ms518.13 FPS 
YOLOv5m目标识别1312 ms0.76 FPS4.96 ms201.61 FPS3.43 ms291.55 FPS
YOLOv5l目标识别3474 ms0.29 FPS26.39 ms 37.89 FPS6.91 ms144.72 FPS
YOLOv5x目标识别6122 ms0.16 FPS55.08 ms18.16 FPS13.91 ms71.89 FPS
YOLOv6n目标识别112 ms8.93 FPS 3.9 ms256.98 FPS 1.35 ms740.45 FPS
YOLOv6s目标识别495 ms 2.02 FPS 7.05 ms141.75 FPS 2.14 ms467.30 FPS
YOLOv6m目标识别 800 ms1.25 FPS 13.37 ms74.77 FPS 4.15 ms240.71 FPS
YOLOv6l目标识别1585 ms0.63 FPS26.11 ms38.29 FPS8.3 ms120.48 FPS
YOLOv7目标识别890 ms1.12 FPS16.51 ms51.26 FPS 5.92 ms168.92 FPS
YOLOv7-X目标识别  2037 ms0.49 FPS32.19 ms31.06 FPS 10.46 ms95.60 FPS
YOLOv8n目标识别170 ms5.85 FPS4.67 ms214.07 FPS1.66 ms602.41 FPS
YOLOv8s目标识别 513 ms1.95 FPS 6.87 ms145.64 FPS2.38 ms420.17 FPS
YOLOv8m目标识别 1249 ms0.80 FPS 15.15 ms66.02 FPS4.65 ms215.05 FPS
YOLOv8l目标识别 2341 ms0.43 FPS31.12 ms32.13 FPS8.42 ms118.76 FPS
YOLOv8x目标识别3350 ms0.30 FPS52.47 ms19.06 FPS13.13 ms76.16 FPS
YOLOv10n目标识别156 ms6.40 FPS4.72 ms211.86 FPS2.89 ms346.02 FPS
YOLOv10s目标识别403 ms2.48 FPS6.77 ms147.71 FPS3.06 ms326.80 FPS
YOLOv10m目标识别966 ms1.03 FPS14.2 ms70.42 FPS6.11 ms163.67 FPS
YOLOv10B目标识别1394 ms0.72 FPS19.79 ms50.53 FPS7.14 ms140.06 FPS
YOLOv10l目标识别1745 ms0.57 FPS25.7 ms38.91 FPS8.48 ms117.92 FPS
YOLOv10x目标识别2326 ms0.43 FPS36.61 ms27.31 FPS11.82 ms84.60 FPS
YOLO11n目标识别 150 ms6.62 FPS4.56 ms219.45 FPS1.99 ms502.51 FPS
YOLO11s目标识别437 ms2.28 FPS7.08 ms141.19 FPS2.9 ms344.83 FPS
YOLO11m目标识别1109 ms0.90 FPS16.37 ms61.07 FPS5.14 ms194.55 FPS
YOLO11l目标识别1452 ms0.69 FPS20.25 ms49.39 FPS6.72 ms148.81 FPS
YOLO11x目标识别2827 ms0.35 FPS47.5 ms21.05 FPS13.39 ms74.68 FPS
YOLO-NAS-s目标识别598 ms1.67 FPS9.71 ms102.99 FPS3.77  ms265.25 FPS
YOLO-NAS-m目标识别1442 ms0.69 FPS7.01 ms142.65 FPS3.27 ms305.81 FPS
YOLO-NAS-l目标识别1745 ms0.57 FPS12.79 ms78.19 FPS4.76 ms210.08 FPS
YOLO11n-seg分割119 ms8.36 FPS16.71 ms59.84 FPS5.54 ms180.51 FPS
YOLO11s-seg分割510 ms1.96 FPS9.62 ms103.95 FPS3.94 ms253.81 FPS
YOLO11m-seg分割1568 ms0.64 FPS24.97 ms40.05 FPS7.33 ms136.43 FPS
YOLO11l-seg分割1921 ms0.52 FPS26.97 ms37.08 FPS8.52 ms117.37 FPS
YOLO11x-seg分割3981 ms0.25 FPS67.32 ms14.85 FPS20.64 ms48.45 FPS
YOLO11n-cls分类120 ms8.27 FPS6.11 ms163.67 FPS3.22 ms310.56 FPS
YOLO11s-cls分类300 ms3.33 FPS7.41 ms134.95 FPS4.03 ms248.14 FPS
YOLO11m-cls分类676 ms1.48 FPS11.84 ms84.46 FPS5.18 ms193.05 FPS
YOLO11l-cls分类918 ms1.09 FPS13.88 ms72.05 FPS6.57 ms152.21 FPS
YOLO11x-cls分类1727 ms0.58 FPS27.4 ms36.50 FPS10.83 ms92.34 FPS
YOLO11n-pose姿态估计231 ms4.32 FPS4.77 ms209.64 FPS2.01 ms497.51 FPS
YOLO11s-pose姿态估计510 ms1.96 FPS6.88 ms145.35 FPS2.89 ms346.02 FPS
YOLO11m-pose姿态估计1247 ms0.80 FPS16.12 ms62.03 FPS5.32 ms187.97 FPS
YOLO11l-pose姿态估计1589 ms0.63 FPS20.41 ms49.00 FPS6.83 ms146.41 FPS
YOLO11x-pose姿态估计3062 ms0.33 FPS49.77 ms20.09 FPS13.4 ms74.63 FPS
YOLO11n-obbOBB259 ms3.85 FPS4.55 ms219.78 FPS1.77 ms564.97 FPS
YOLO11s-obbOBB567 ms1.76 FPS6.75 ms148.15 FPS2.76 ms362.32 FPS
YOLO11l-obbOBB1319 ms0.76 FPS17.29 ms57.84 FPS5.18 ms193.05 FPS
YOLO11l-obbOBB1638 ms0.61 FPS21.32 ms46.90 FPS6.56 ms152.44 FPS
YOLO11x-obbOBB3209 ms0.31 FPS48.52 ms20.61 FPS13.86 ms72.15 FPS

相关含测试代码的文章:

 高通QCS8550部署Yolov5模型与性能测试_高通模型部署-CSDN博客

高通QCS8550部署Yolov8模型与性能测试-CSDN博客

 高通QCS8550部署Yolov10模型与性能测试_高通8550 qnn 推理-CSDN博客

高通QCS8550部署YOLO-NAS模型与性能测试-CSDN博客

 高通QCS8550部署Yolov11目标检测模型与性能测试_高通8550n-CSDN博客

 高通QCS8550部署YOLO11-seg模型与性能测试-CSDN博客

 高通QCS8550部署YOLO11-obb分类模型与性能测试-CSDN博客

高通QCS8550部署YOLO11-pose模型与性能测试-CSDN博客

 高通QCS8550部署YOLO11-cli模型与性能测试-CSDN博客

...全文
41 回复 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
在Windows 10或Windows 11操作系统中,用户经常会遇到共享打印机时出现的一系列错误代码,这些错误代码可能会阻碍打印机共享功能的正常使用。常见的错误代码包括0x00000057、0x00000709和0x0000011b,这些代码通常指出了不同的问题,比如权限不足、服务未运行或配置错误等。除此之外,还有一些故障提示如“连接失败”或“内存不足”,这些都可能影响到打印机共享的稳定性。 要解决这些故障,首先要确保打印机已经正确地连接到网络,并且在需要共享的电脑上进行了设置。确保打印机驱动程序是最新的,并且在共享设置中没有错误配置。对于权限问题,需要检查网络上的用户账户是否具有足够的权限来访问共享打印机。同时,也要确保打印机服务正在运行,特别是“Print Spooler”服务,因为这是打印机共享服务的核心组件。 在某些情况下,问题可能与操作系统的更新有关,如升级到最新版的Windows 10或Windows 11后可能出现的兼容性问题。这时,可能需要查看微软的官方支持文档来获取特定的解决方案或更新。 对于错误代码0x00000057,这通常是由于没有足够的权限来访问网络打印机或其共享资源,解决方法是确保网络打印机的权限设置正确,包括在组策略中设置相应的访问权限。而0x00000709错误可能是由于打印机驱动问题或打印机端口配置错误,可以尝试重新安装或更新打印机驱动来解决。至于0x0000011b错误,这往往是因为打印机队列服务的问题,检查并重启“Print Spooler”服务通常是解决这类问题的常见手段。 至于“连接失败”或“内存不足”这类故障,通常与客户端和打印机之间的网络连接以及打印机本地资源的使用情况有关。检查网络连接,确保打印机所在的网络段没有故障或中断。同时,如果打印机的打印队列长时间得不到处理,可能会导致内存不足的情况,这时可能需要清理打印队列或增加打印机的内存配置。 为了帮助用户更快速地解决这些问题,市面上出现了各种打印机共享错误修复工具。这些工具往往通过预设的修复程序来自动检测和修正打印机共享中常见的问题。它们可以快速检查打印机驱动、网络连接以及共享设置,并且能够提供一键修复功能,大幅减少了用户自行排查和解决问题的难度。 然而,在使用这些修复工具之前,用户应确保这些工具的来源是安可靠的,避免因使用不当的修复工具而引发其他系统安或隐私问题。用户可以到官方平台或者信誉良好的软件提供商处下载这些工具。通过细心检查打印机的共享设置,及时更新驱动程序和服务,以及合理使用修复工具,大多数共享打印机的问题都可以得到有效的解决。

3,492

社区成员

发帖
与我相关
我的任务
社区描述
本论坛以AI、WoS 、XR、IoT、Auto、生成式AI等核心板块组成,为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页:https://qualcomm.csdn.net/
人工智能物联网机器学习 技术论坛(原bbs) 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧