BM1684X 边缘计算盒子一键部署 YOLOv8 新手教程（全流程）

BM1684X 边缘盒部署 YOLOv8 核心是 “模型转换 + 一键推理脚本”，全程无需复杂编译，新手复制命令即可完成。以下是从环境准备到实时检测的完整步骤，适配算能 BM1684X 边缘计算盒子（Ubuntu 系统）。

一、部署前准备

1. 硬件与系统

- 设备：BM1684X 边缘计算盒子（已刷官方 Ubuntu 20.04 系统）

- 网络：盒子联网（用于安装依赖、下载模型）

- 工具：电脑 SSH 连接盒子（或盒子接显示器/键鼠直接操作）

2. 必备软件（一键安装）

盒子终端执行，安装 YOLOv8 依赖 + Sophon SDK 推理库：

# 1. 更新系统

sudo apt update && sudo apt upgrade -y

# 2. 安装基础依赖

sudo apt install python3-pip python3-dev libopencv-dev git -y

# 3. 安装 YOLOv8 官方库

pip3 install ultralytics==8.0.200 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4. 安装 BM1684X 推理库（Sophon SAIL）

pip3 install sophon-sail -i https://pypi.tuna.tsinghua.edu.cn/simple

# 5. 验证安装（无报错即成功）

python3 -c "from ultralytics import YOLO; import sophon.sail as sail; print('环境就绪')"

二、核心步骤：YOLOv8 模型转换（ONNX → BModel）

BM1684X 不直接支持 PyTorch 模型，需先转 ONNX，再转芯片专用 BModel 格式。

1. 下载/导出 YOLOv8 ONNX 模型

# 1. 创建工作目录

mkdir -p ~/bm1684x_yolov8 && cd ~/bm1684x_yolov8

# 2. 导出 YOLOv8n 最轻量模型为 ONNX（640×640 输入）

python3 -c "

from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # 自动下载权重

model.export(format='onnx', imgsz=640, batch=1, simplify=True)

"

执行后生成：yolov8n.onnx

2. ONNX 转 BM1684X BModel（FP16 量化，速度更快）

# 模型转换命令（直接复制运行）

bmnet_onnx \

  --model=yolov8n.onnx \

  --target=BM1684X \

  --shapes=[1,3,640,640] \

  --opt=2 \

  --quantize=FP16 \

  --output=yolov8n_bm1684x_fp16.bmodel

- 等待 1–2 分钟，生成：yolov8n_bm1684x_fp16.bmodel（BM1684X 专用模型）

三、一键部署：BM1684X 实时推理脚本（新手直接用）

创建推理脚本 yolov8_bm1684x.py，全程无需改代码，直接运行：

import cv2

import sophon.sail as sail

import numpy as np

# 1. 初始化 BM1684X 引擎

engine = sail.Engine(0)  # 0=设备ID

engine.load_bmodel("yolov8n_bm1684x_fp16.bmodel")

input_name = engine.get_input_names()[0]

output_names = engine.get_output_names()

# 2. 预处理（适配 YOLOv8 640×640）

def preprocess(img):

    img = cv2.resize(img, (640, 640))

    img = img.transpose(2, 0, 1)  # HWC→CHW

    img = img.astype(np.float32) / 255.0

    img = np.expand_dims(img, axis=0)

    return img

# 3. 后处理（解析检测框）

def postprocess(outputs):

    pred = outputs[0][0]

    boxes = []

    scores = []

    classes = []

    for i in range(pred.shape[1]):

        x, y, w, h, conf, cls = pred[:, i]

        if conf > 0.25:  # 置信度阈值

            x1, y1 = int((x-w/2)*640), int((y-h/2)*640)

            x2, y2 = int((x+w/2)*640), int((y+h/2)*640)

            boxes.append([x1, y1, x2, y2])

            scores.append(float(conf))

            classes.append(int(cls))

    return boxes, scores, classes

# 4. 主推理（图片/视频/摄像头）

if __name__ == "__main__":

    # 测试图片（自动下载）

    img = cv2.imread("bus.jpg")

    if img is None:

        import urllib.request

        urllib.request.urlretrieve("https://ultralytics.com/images/bus.jpg", "bus.jpg")

        img = cv2.imread("bus.jpg")

    # 推理

    input_tensor = preprocess(img)

    engine.set_input_tensor(input_name, input_tensor)

    engine.forward()

    outputs = [engine.get_output_tensor(name).asnumpy() for name in output_names]

    boxes, scores, classes = postprocess(outputs)

    # 画框显示

    for box, score, cls in zip(boxes, scores, classes):

        x1, y1, x2, y2 = box

        cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)

        cv2.putText(img, f"cls:{cls} {score:.2f}", (x1, y1-10),

                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

    cv2.imwrite("result.jpg", img)

    print("检测完成！结果保存为 result.jpg")

四、一键运行 & 效果验证

1. 执行脚本

cd ~/bm1684x_yolov8

python3 yolov8_bm1684x.py

2. 查看结果

- 终端输出：检测完成！结果保存为 result.jpg

- 目录生成 result.jpg，带目标检测框（人、车、巴士等）

- 速度：BM1684X 跑 YOLOv8n 约 30–50 FPS（实时无压力）

五、进阶：实时摄像头/视频流推理

修改脚本最后部分，替换为摄像头/视频：

# 实时摄像头（USB 摄像头）

cap = cv2.VideoCapture(0)

while cap.isOpened():

    ret, frame = cap.read()

    if not ret: break

    # 推理+画框（同上）

    cv2.imshow("BM1684X YOLOv8", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'): break

cap.release()

# 本地视频

# cap = cv2.VideoCapture("test.mp4")

六、新手常见问题

1. bmnet_onnx 命令找不到

解决：安装完整 Sophon SDK，或用官方 Docker 环境转换模型。

2. 推理速度慢

解决：用 FP16/INT8 量化、选 yolov8n/s 轻量模型、降低分辨率。

3. 检测框不准

解决：调整置信度阈值 conf > 0.25、重新导出 ONNX 并开启 simplify=True。

七、完整部署清单

1. 环境：ultralytics + sophon-sail + OpenCV

2. 模型：yolov8n.onnx → yolov8n_bm1684x_fp16.bmodel

3. 脚本：yolov8_bm1684x.py（一键推理）

4. 验证：图片/摄像头实时检测，30+ FPS