3,492
社区成员




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
模型 尺寸640*640 | 类型 | CPU | NPU QNN2.31 | NPU QNN2.31 | |||
FP32 | FP16 | INT8 | |||||
YOLOv5n | 目标识别 | 137 ms | 7.29 FPS | 2.89 ms | 346.02 FPS | 1.43 ms | 699.30 FPS |
YOLOv5s | 目标识别 | 511 ms | 1.95 FPS | 5.12 ms | 195.31 FPS | 1.93 ms | 518.13 FPS |
YOLOv5m | 目标识别 | 1312 ms | 0.76 FPS | 4.96 ms | 201.61 FPS | 3.43 ms | 291.55 FPS |
YOLOv5l | 目标识别 | 3474 ms | 0.29 FPS | 26.39 ms | 37.89 FPS | 6.91 ms | 144.72 FPS |
YOLOv5x | 目标识别 | 6122 ms | 0.16 FPS | 55.08 ms | 18.16 FPS | 13.91 ms | 71.89 FPS |
YOLOv6n | 目标识别 | 112 ms | 8.93 FPS | 3.9 ms | 256.98 FPS | 1.35 ms | 740.45 FPS |
YOLOv6s | 目标识别 | 495 ms | 2.02 FPS | 7.05 ms | 141.75 FPS | 2.14 ms | 467.30 FPS |
YOLOv6m | 目标识别 | 800 ms | 1.25 FPS | 13.37 ms | 74.77 FPS | 4.15 ms | 240.71 FPS |
YOLOv6l | 目标识别 | 1585 ms | 0.63 FPS | 26.11 ms | 38.29 FPS | 8.3 ms | 120.48 FPS |
YOLOv7 | 目标识别 | 890 ms | 1.12 FPS | 16.51 ms | 51.26 FPS | 5.92 ms | 168.92 FPS |
YOLOv7-X | 目标识别 | 2037 ms | 0.49 FPS | 32.19 ms | 31.06 FPS | 10.46 ms | 95.60 FPS |
YOLOv8n | 目标识别 | 170 ms | 5.85 FPS | 4.67 ms | 214.07 FPS | 1.66 ms | 602.41 FPS |
YOLOv8s | 目标识别 | 513 ms | 1.95 FPS | 6.87 ms | 145.64 FPS | 2.38 ms | 420.17 FPS |
YOLOv8m | 目标识别 | 1249 ms | 0.80 FPS | 15.15 ms | 66.02 FPS | 4.65 ms | 215.05 FPS |
YOLOv8l | 目标识别 | 2341 ms | 0.43 FPS | 31.12 ms | 32.13 FPS | 8.42 ms | 118.76 FPS |
YOLOv8x | 目标识别 | 3350 ms | 0.30 FPS | 52.47 ms | 19.06 FPS | 13.13 ms | 76.16 FPS |
YOLOv10n | 目标识别 | 156 ms | 6.40 FPS | 4.72 ms | 211.86 FPS | 2.89 ms | 346.02 FPS |
YOLOv10s | 目标识别 | 403 ms | 2.48 FPS | 6.77 ms | 147.71 FPS | 3.06 ms | 326.80 FPS |
YOLOv10m | 目标识别 | 966 ms | 1.03 FPS | 14.2 ms | 70.42 FPS | 6.11 ms | 163.67 FPS |
YOLOv10B | 目标识别 | 1394 ms | 0.72 FPS | 19.79 ms | 50.53 FPS | 7.14 ms | 140.06 FPS |
YOLOv10l | 目标识别 | 1745 ms | 0.57 FPS | 25.7 ms | 38.91 FPS | 8.48 ms | 117.92 FPS |
YOLOv10x | 目标识别 | 2326 ms | 0.43 FPS | 36.61 ms | 27.31 FPS | 11.82 ms | 84.60 FPS |
YOLO11n | 目标识别 | 150 ms | 6.62 FPS | 4.56 ms | 219.45 FPS | 1.99 ms | 502.51 FPS |
YOLO11s | 目标识别 | 437 ms | 2.28 FPS | 7.08 ms | 141.19 FPS | 2.9 ms | 344.83 FPS |
YOLO11m | 目标识别 | 1109 ms | 0.90 FPS | 16.37 ms | 61.07 FPS | 5.14 ms | 194.55 FPS |
YOLO11l | 目标识别 | 1452 ms | 0.69 FPS | 20.25 ms | 49.39 FPS | 6.72 ms | 148.81 FPS |
YOLO11x | 目标识别 | 2827 ms | 0.35 FPS | 47.5 ms | 21.05 FPS | 13.39 ms | 74.68 FPS |
YOLO-NAS-s | 目标识别 | 598 ms | 1.67 FPS | 9.71 ms | 102.99 FPS | 3.77 ms | 265.25 FPS |
YOLO-NAS-m | 目标识别 | 1442 ms | 0.69 FPS | 7.01 ms | 142.65 FPS | 3.27 ms | 305.81 FPS |
YOLO-NAS-l | 目标识别 | 1745 ms | 0.57 FPS | 12.79 ms | 78.19 FPS | 4.76 ms | 210.08 FPS |
YOLO11n-seg | 分割 | 119 ms | 8.36 FPS | 16.71 ms | 59.84 FPS | 5.54 ms | 180.51 FPS |
YOLO11s-seg | 分割 | 510 ms | 1.96 FPS | 9.62 ms | 103.95 FPS | 3.94 ms | 253.81 FPS |
YOLO11m-seg | 分割 | 1568 ms | 0.64 FPS | 24.97 ms | 40.05 FPS | 7.33 ms | 136.43 FPS |
YOLO11l-seg | 分割 | 1921 ms | 0.52 FPS | 26.97 ms | 37.08 FPS | 8.52 ms | 117.37 FPS |
YOLO11x-seg | 分割 | 3981 ms | 0.25 FPS | 67.32 ms | 14.85 FPS | 20.64 ms | 48.45 FPS |
YOLO11n-cls | 分类 | 120 ms | 8.27 FPS | 6.11 ms | 163.67 FPS | 3.22 ms | 310.56 FPS |
YOLO11s-cls | 分类 | 300 ms | 3.33 FPS | 7.41 ms | 134.95 FPS | 4.03 ms | 248.14 FPS |
YOLO11m-cls | 分类 | 676 ms | 1.48 FPS | 11.84 ms | 84.46 FPS | 5.18 ms | 193.05 FPS |
YOLO11l-cls | 分类 | 918 ms | 1.09 FPS | 13.88 ms | 72.05 FPS | 6.57 ms | 152.21 FPS |
YOLO11x-cls | 分类 | 1727 ms | 0.58 FPS | 27.4 ms | 36.50 FPS | 10.83 ms | 92.34 FPS |
YOLO11n-pose | 姿态估计 | 231 ms | 4.32 FPS | 4.77 ms | 209.64 FPS | 2.01 ms | 497.51 FPS |
YOLO11s-pose | 姿态估计 | 510 ms | 1.96 FPS | 6.88 ms | 145.35 FPS | 2.89 ms | 346.02 FPS |
YOLO11m-pose | 姿态估计 | 1247 ms | 0.80 FPS | 16.12 ms | 62.03 FPS | 5.32 ms | 187.97 FPS |
YOLO11l-pose | 姿态估计 | 1589 ms | 0.63 FPS | 20.41 ms | 49.00 FPS | 6.83 ms | 146.41 FPS |
YOLO11x-pose | 姿态估计 | 3062 ms | 0.33 FPS | 49.77 ms | 20.09 FPS | 13.4 ms | 74.63 FPS |
YOLO11n-obb | OBB | 259 ms | 3.85 FPS | 4.55 ms | 219.78 FPS | 1.77 ms | 564.97 FPS |
YOLO11s-obb | OBB | 567 ms | 1.76 FPS | 6.75 ms | 148.15 FPS | 2.76 ms | 362.32 FPS |
YOLO11l-obb | OBB | 1319 ms | 0.76 FPS | 17.29 ms | 57.84 FPS | 5.18 ms | 193.05 FPS |
YOLO11l-obb | OBB | 1638 ms | 0.61 FPS | 21.32 ms | 46.90 FPS | 6.56 ms | 152.44 FPS |
YOLO11x-obb | OBB | 3209 ms | 0.31 FPS | 48.52 ms | 20.61 FPS | 13.86 ms | 72.15 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