YOLOv8s-Segmentation 是 YOLO 系列中最新的版本之一，专注于目标检测和实例分割任务。它结合了 YOLOv8 的高效目标检测性能和实例分割功能，能够在图像中精确定位物体的边界并进行分割。与之前的 YOLO 版本相比，YOLOv8-Segmentation 在架构上进一步优化，提升了分割任务的精度和速度。该模型采用了先进的卷积神经网络设计，通过引入更深层的特征提取网络和高效的推理机制，使其在实时分割任务中表现优异。YOLOv8-Segmentation 广泛应用于自动驾驶、医学图像分析、视频监控等领域，提供了高效的实例分割解决方案。

源模型

• 输入尺寸: 640x640
• 参数量: 11.27M
• 模型大小: 45.22M
• 输出尺寸：1x32x160x160, 1x116x8400

源模型仓库：YOLOv8-Seg

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_farm_{model_name}_aidlite
    
    |__ models # folder where model files are stored

    |__ python # aidlite python model inference example

    |__ cpp # aidlite cpp model inference example

    |__ README.md