YOLOv8s-worldv2 是最新一代轻量级目标检测模型，基于YOLO（You Only Look Once）系列的改进版本。该模型在保持高检测精度的同时，显著优化了计算效率和推理速度，适合边缘设备和实时应用场景。YOLOv8s-worldv2 集成了多项先进技术，如更深的特征提取网络、更高效的锚框设计和增强的损失函数，提升了对小目标和复杂背景的识别能力。

此模型特别适用于多种实际应用，包括智能监控、无人驾驶、机器人导航和工业检测等。得益于其小巧的模型体积和强大的泛化能力，YOLOv8s-worldv2 在资源受限环境下依然表现出色。它支持多类别目标的快速定位与分类，能够满足高精度与实时性的双重需求。

未来，YOLOv8s-worldv2 还将不断优化以适应更多应用场景，如多模态融合和跨域检测，为智能视觉系统提供更稳定、灵活的解决方案。

源模型

• 输入尺寸: 1x3x640x640
• 参数量: 24.63M
• 模型大小: 47.87M
• 输出尺寸：1x80x80x80,1x64x80x80,1x80x40x40,1x64x40x40,1x80x20x20,1x64x20x20

源模型仓库：YOLO-World

Model Farm 提供预编译好的模型资源以及推理代码，支持以下两种方式获取：

• 通过 Model Farm 页面获取：在右侧性能参考板块中点击模型 & 代码获取模型资源及代码包。

• 通过命令获取（推荐）：持有阿加犀开发板的用户，可以通过开发板内置的 MMS 工具获取模型资源及代码包。

# 模型查询
mms list [model name]

# 模型资源获取
mms get -m [model name] -p [precision] -c [soc] -b [backend] -d [file path]

MMS 具体使用请参考：MMS 使用 & 提前获取预览版块模型

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/{model_name}_{SoC Name}_{Precision}
    
    |__ models # folder where model files are stored    
    
    |__ code # aidlite python model inference example

        |__ python # aidlite python model inference example

        |__ cpp # aidlite cpp model inference example

        |__ README.md