YOLO26 OpenVINO Turbo（面向 AI PC）

将 YOLO26 模型转化为本地 AI PC 视觉应用：导出为 OpenVINO 格式，通过 INT8 量化压缩模型体积，在 Intel CPU/GPU/NPU 上运行，并在无需构建重型推理栈的前提下完成加速效果对比。

本技能聚焦于快速部署：一段简短的、与 Ultralytics 深度集成的脚本即可完成 OpenVINO 导出与推理；同时提供封装层，使智能体（agent）可灵活选择目标设备、精度类型、模型尺寸、基准测试模式以及下游任务行为。

默认示例使用 yolo26n.pt，因为 nano 尺寸模型下载快、导出快、实时运行延迟低。当用户对检测精度要求更高，且能接受更高的延迟或内存开销时，也可选用其他 YOLO26 模型尺寸，例如 yolo26s.pt、yolo26m.pt 或 yolo26l.pt。

推荐的实现路径是官方 Ultralytics + OpenVINO 集成方案：调用 YOLO(...).export(format="openvino") 完成导出，再以 YOLO(...) 加载导出的 OpenVINO 模型目录，并通过 Intel 设备字符串（如 intel:cpu、intel:gpu 或 intel:npu）执行推理。该方式既保持了公开演示代码的简洁性，又完整利用了 OpenVINO 的硬件加速能力与设备调度功能。

最佳适用场景

本技能适用于以下用途：

• 从笔记本摄像头或视频文件中进行实时目标检测。
• 将 YOLO26 nano / small / medium / large 各尺寸模型分别压缩为 OpenVINO FP32 和 INT8 格式。
• 借助统一精简的工作流，在 Intel CPU、GPU 和 NPU 上加速 YOLO26 推理。
• 快速切换设备与精度类型，用于基准测试或实时性能对比。
• 基于检测结果构建下游交互逻辑，例如人数统计、物品/库存计数、安全区域告警、以及基于检测对象的 UI 事件响应等。

30 秒快速启动

在技能脚本目录中打开 PowerShell：

cd "{baseDir}scripts"
.setup_env.ps1

使用内置摄像头运行实时检测演示：

.run_ultralytics_demo.ps1 -Mode live -Source 0 -Device GPU -Model yolo26n.pt -Precision fp32

导出或准备 INT8 模型后运行：

.run_ultralytics_demo.ps1 -Mode export -Precision int8
.run_ultralytics_demo.ps1 -Mode live -Source 0 -Device NPU -Precision int8

当精度优先于速度时，选用更大的 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

从视频或摄像头帧中运行可复现的基准测试：

.run_ultralytics_demo.ps1 -Mode benchmark -Source 0 -Device CPU -Precision int8 -BenchmarkSeconds 8

运行下游任务演示：

.run_downstream_demo.ps1 -Source 0 -Device NPU -Precision int8 -Task inventory-count -Target bottle

主 YOLO 演示界面叠加层会实时显示当前设备、精度类型、实时 FPS、单帧推理延迟及检测目标数量。常规使用建议直接通过命令行参数指定设备、精度、模型尺寸、基准测试模式和下游任务，便于智能体动态控制。

推荐的 AI PC 工作流

从直观对比入手：

1. 将 yolo26n.pt 分别导出为 OpenVINO FP32 和 INT8 格式。
2. 对同一段视频或摄像头输入，在 GPU、NPU 和 CPU 上分别运行。
3. 通过界面叠加指标或基准测试模式对比结果，解释硬件加速与量化带来的性能差异。
4. 由原始检测结果进阶至典型 AI PC 任务：人数统计、物品计数或安全区域告警。
5. 使用 -CountZone 和 -DangerZone 参数适配用户真实场景中的感兴趣区域与危险区域。

脚本入口点

请从 {baseDir}scripts 目录中使用以下文件：

• setup_env.ps1：创建 Python 虚拟环境 .venv 并安装依赖包。
• run_ultralytics_demo.ps1：PowerShell 封装脚本，支持 live（实时）、export（导出）和 benchmark（基准测试）三种模式；暴露 -Model、-Precision、-Device、OpenVINO 性能提示（performance hint）及异步请求控制参数。
• run_ultralytics_openvino_demo.py：Ultralytics + OpenVINO 的核心实现，支持运行时动态切换设备与精度。
• run_downstream_demo.ps1：PowerShell 封装脚本，用于人数统计、物品计数及安全区域告警等下游任务。
• run_downstream_demo.py：构建于 Ultralytics + OpenVINO 检测结果之上的下游动作逻辑层。
• requirements.txt：Python 依赖列表。
• demo_utils.py：轻量级界面叠加辅助模块。

模型与网络行为说明

初始化环境及首次导出需联网访问：包括 Python 包、YOLO 模型权重文件，以及（若未缓存）INT8 校准所需数据。一旦 OpenVINO 模型目录生成完毕，后续实时推理即可完全离线运行。

默认模型为 yolo26n.pt。导出的 OpenVINO 模型保存在 {baseDir}scriptsintegrated_models 目录下，命名规则为模型名词干 + 精度类型，例如 yolo26n_int8_openvino_model 或 yolo26s_fp32_openvino_model。

若用户已存在导出好的 OpenVINO 模型目录，可通过 -OpenVinoModelDir 参数直接指定路径。

基于区域的下游任务

下游任务支持使用归一化坐标定义感兴趣区域（ROI）：

• -CountZone "x1,y1,x2,y2"：仅对自定义区域内（如排队区、门口、会议室区域等）的人进行计数；留空表示全图范围。
• -DangerZone "x1,y1,x2,y2"：仅当人员进入配置的危险区域时触发安全告警；默认区域为右上三分之一区域：0.667,0,1,0.333。

如何选择合适的演示路径

当用户重视代码简洁性与快速上手体验时，请采用 Ultralytics 集成路径——这是最清晰、最易维护的公开技能路径。

仅当用户明确需要极致流水线控制能力（如自定义预处理、自定义异步调度、OpenVINO MULTI 吞吐流水线或深度性能调优）时，才应在本技能之外使用更低层级的 OpenVINO AsyncInferQueue 实现。当前提供的 Ultralytics 实时路径有意聚焦于代码可读性与 CPU/GPU/NPU 设备切换的便捷性。

参考资料

仅在需要时查阅：

• {baseDir}referencesdownstream_playbooks.md：下游交互设计思路与实现模式汇总。
• {baseDir}referencesperformance_notes.md：CPU/GPU/NPU 与 FP32/INT8 差异的解释方法与基准测试指南。