OpenVINO YOLO AI PC — OpenVINO YOLO 人工智能电脑

YOLO26 OpenVINO Turbo 适用于 AI PC，将 YOLO26 模型转换为本地 AI PC 视觉应用：导出到 OpenVINO，使用 INT8 量化缩小模型，在 Intel CPU/GPU/NPU 上运行，并比较加速效果，而无需编写重量级的推理堆栈。该技能注重快速部署：一个简短的 Ultralytics 集成脚本处理 OpenVINO 导出和推理，而包装器允许代理选择设备、精度、模型大小、基准模式和下游任务行为。默认示例使用 yolo26n.pt，因为 nano 模型下载、导出和运行速度快。用户可以根据需要选择其他 YOLO26 模型大小，例如 yolo26s.pt、yolo26m.pt 或 yolo26l.pt，以获得更高的准确率和更低的延迟或内存使用率。首选的实现路径是官方的 Ultralytics + OpenVINO 集成：使用 YOLO(...).export(format="openvino") 导出，然后使用 YOLO(...) 加载导出的 OpenVINO 模型文件夹，并使用 Intel 设备字符串（如 intel:cpu、intel:gpu 或 intel:npu）运行推理。这使得公共演示代码简短，同时仍然使用 OpenVINO 加速和设备定位。

最佳使用场景 使用此技能进行： 从笔记本电脑摄像头或视频文件进行实时物体检测。 将 YOLO26 nano、small、medium 或 large 模型压缩为 OpenVINO FP32 和 INT8 导出。 在 Intel CPU、GPU 和 NPU 上加速 YOLO26 推理，使用一个紧凑的工作流程。 快速切换设备和精度以进行基准测试或实时比较。 * 从检测中构建下游交互，例如人员计数、库存/物体计数、安全区域警报和基于对象的 UI 事件。

30 秒开始 在技能脚本文件夹中打开 PowerShell： cd "{baseDir}\scripts" .\setup_env.ps1 运行实时摄像头演示，使用内置摄像头： .\run_ultralytics_demo.ps1 -Mode live -Source 0 -Device GPU -Model yolo26n.pt -Precision fp32 导出或准备 INT8，然后运行： .\run_ultralytics_demo.ps1 -Mode export -Precision int8 .\run_ultralytics_demo.ps1 -Mode live -Source 0 -Device NPU -Precision int8 当准确率比速度更重要时，使用更大的 YOLO26 变体： .\run_ultralytics_demo.ps1 -Mode export -Model yolo26s.pt -Precision int8 .\run_ultralytics_demo.ps1 -Mode live -Source 0 -Device GPU -Model yolo26s.pt -Precision int8 从视频或摄像头帧运行可重复的基准测试： .\run_ultralytics_demo.ps1 -Mode benchmark -Source 0 -Device CPU -Precision int8 -BenchmarkSeconds 8 运行下游操作演示： .\run_downstream_demo.ps1 -Source 0 -Device NPU -Precision int8 -Task inventory-count -Target bottle

主要 YOLO 演示叠加层显示设备、精度、实时 FPS、推理延迟和检测计数。正常的技能使用应优先使用命令参数，以便代理可以直接选择设备、精度、模型大小、基准模式和下游任务。

推荐的 AI PC 流程 从可见对比开始：将 yolo26n.pt 导出到 OpenVINO FP32，然后导出到 INT8。运行相同的视频或摄像头输入在 GPU、NPU 和 CPU 上。比较叠加层指标或基准模式以解释加速和量化。从原始检测切换到 AI PC 任务：人员计数、物体计数或安全区域警报。使用 -CountZone 和 -DangerZone 来适应用户的实际场景。

脚本入口点 使用以下文件从 {baseDir}\scripts： setup_env.ps1：创建 .venv 并安装 Python 依赖项。 run_ultralytics_demo.ps1：PowerShell 包装器，用于实时、导出和基准模式。它暴露 -Model、-Precision、-Device、OpenVINO 性能提示和异步请求控制。 run_ultralytics_openvino_demo.py：Ultralytics + OpenVINO 实现，具有运行时设备和精度切换。 run_downstream_demo.ps1：PowerShell 包装器，用于人员计数、物体计数和安全区域警报。 run_downstream_demo.py：下游操作层，建立在 Ultralytics + OpenVINO 检测之上。 requirements.txt：Python 依赖项列表。 demo_utils.py：轻量级叠加层帮助器。

模型和网络行为 设置和第一次导出需要网络访问以获取 Python 包、YOLO 模型权重和 INT8 校准数据（如果它们尚未缓存）。在 OpenVINO 模型文件夹存在后，实时推理可以在本地运行。默认模型是 yolo26n.pt。导出的 OpenVINO 模型保存在 {baseDir}\scripts\integrated_models 中，使用模型干和精度，例如 yolo26n_int8_openvino_model 或 yolo26s_fp32_openvino_model。如果用户已经有一个导出的 OpenVINO 模型文件夹，可以使用 -OpenVinoModelDir 传递。

基于区域的下游任务 下游任务可以使用归一化的感兴趣区域： -CountZone "x1,y1,x2,y2"：仅在自定义区域内计数人员，例如队列、门道或会议室区域。空表示全帧。 -DangerZone "x1,y1,x2,y2"：仅当人员进入配置的危险区域时触发安全区域警报。默认为右上角三分之一：0.667,0,1,0.333。

选择正确的演示路径 使用 Ultralytics 集成路径，当用户更看重简短、可读的代码时。