YOLO

方案｜登临 KS20 GPGPU 优化巅峰之作：YOLOv8n 与 Triton Server 在海光/曙光边缘计算设备上的终极性能调教（5倍性能）

国产AI加速的瓶颈破解之道，从后处理迁移到生产余量规划

概要介绍：本文基于项目经验，系统阐述 YOLOv8n 在登临 KS20 上的优化策略，焦点包括 Triton 调度改进、gRPC 通信优化和 Prometheus 指标收集。结合搜索到的最佳实践和代码示例，分析G PU/CPU 利用率提升路径，帮助您避免常见坑点。展望未来 INT8 量化潜力，提供完整 Helm Chart 和测试方案，助力高效 AI 部署。

方案｜YOLOv8 + Triton Server：Python后处理管道，让目标检测部署更快、更稳！

今天，我们来聊聊一个超级实用的开源项目：YOLOv8-TritonServer-Python-Post-Processing-Pipeline。如果你是计算机视觉工程师，或者正在折腾YOLO模型的服务器端部署，这个仓库绝对值得一试。它用NVIDIA Triton Inference Server把YOLOv8的推理和后处理无缝融合，极大降低了延迟和I/O开销。别急，我来一步步拆解给你听，顺便教你怎么上手。走起！

方案｜如何使用 Intel Extension for PyTorch (IPEX) 在 iGPU/dGPU 上训练 YOLO 模型

使用 Intel Extension for PyTorch (IPEX) 训练 YOLO 模型可以显著提升在 Intel 硬件（如 CPU 和 GPU）上的性能。以下是一个详细的步骤指南，帮助你结合 IPEX 优化和加速 YOLO 模型的训练过程。