全网首发，嘉楠科技CANMV K230运行YOLO26

只适用于YOLO26 目标检测，比较简略，我认为有问题可以直接问GPT，可以给出完美答案

截至2026年1月23日的最新版本，并不感觉YOLO26比YOLO11强

K230用的是嘉立创的，屏幕也是嘉立创的，经我研究好像幻尔的也能用

推荐阅读以下官方网址

K230 YOLO 大作战 --- CanMV K230

使用 Ultralytics YOLO 进行模型训练 - Ultralytics YOLO 文档

立创·庐山派K230-CanMV开发板【介绍】 | 立创开发板技术文档中心

Hiwonder-课程-CanMV K230 AI开发板提取码：un33

1.训练

没有任何需要教的，如果你连这都不会你。。。。

复制代码

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
if __name__ == '__main__':
    # Train the model
    results = model.train(data="mydata.yaml",batch=0.9 ,epochs=100, imgsz=320)

上述代码和官方的没有本质上的区别，mydata.yaml换成你自己的

2.模型转换

2.1先转换成ONNX

复制代码

from ultralytics import YOLO

# 加载模型
model = YOLO('runs/detect/train26/weights/best.pt')

# 导出为ONNX格式
model.export(format='onnx', imgsz=(320, 320),dynamic=False,simplify=True,nms=False)

# 可选：验证导出是否成功
import onnx
onnx_model = onnx.load('runs/detect/train26/weights/best.onnx')
onnx.checker.check_model(onnx_model)
print(f"模型已成功导出为ONNX格式: best.onnx")

上面训练运行完之后会告诉你模型的地址，加载模型的地址自己换。

2.2kmodel转换

你会发现在官方转换示例里面，YOLOV8和YOLO11一的完全一样，所以你看哪一个都一样，仅限于目标检测！！！但其实你会发现8和11检测的代码通用

K230 YOLO 大作战 --- CanMV K230请直接参考这里面的步骤

此处有一个特别大的雷点,ONNX的版本要足够的低,直接pip install onnx安装是不行的！！！推荐ONNX=1.12.0，在运行模型转换的时候会有一个警告（warming）你可以直接无视掉

还有一个大雷点，这个test文件夹，建议放点你训练模型的验证集照片进去，放上个四五十张，不然好像会导致是不出的结果置信度偏低（实测），会直接影响置信度最大数值。我指的test文件夹是下载脚本工具，将模型转换脚本工具。。。。里面的

当然我选择与众不同，不用官方的命令行，我就用Python文件，请注意文件路径

复制代码

import subprocess
import sys

# =======================
# 配置区
# =======================
TARGET = "k230"
MODEL = "runs/detect/train26/weights/best.onnx"
DATASET = "test_yolo11/test"
INPUT_WIDTH = 320
INPUT_HEIGHT = 320
PTQ_OPTION = 0

def run_to_kmodel():
    cmd = [
        sys.executable,
        "test_yolo11/detect/to_kmodel.py",
        "--target", TARGET,
        "--model", MODEL,
        "--dataset", DATASET,
        "--input_width", str(INPUT_WIDTH),
        "--input_height", str(INPUT_HEIGHT),
        "--ptq_option", str(PTQ_OPTION),
    ]

    print("Running command:")
    print(" ".join(cmd))
    print("=" * 60)

    result = subprocess.run(cmd)

    if result.returncode != 0:
        print("❌ to_kmodel.py 执行失败")
    else:
        print("✅ to_kmodel.py 执行成功")

if __name__ == "__main__":
    run_to_kmodel()

3.用

问了一大堆AI终于整出来了它的重点是在于它没有nms，

main.py代码如下，代码是根据幻尔的YOLOV8的魔改，kmodel_path和labels自己改

复制代码

"""
YOLO26 目标检测应用 --- 适配 K230 + nncase_runtime + LCD 显示

功能：
  1. 使用摄像头捕获图像
  2. 使用 YOLO26 kmodel 推理检测目标
  3. 在 LCD OSD 层上绘制检测结果
  4. 显示处理后图像并打印 FPS
"""

from libs.PipeLine import PipeLine, ScopedTiming
from libs.AIBase import AIBase
from libs.AI2D import Ai2d

from media.media import *
from media.sensor import *
from media.display import Display

import nncase_runtime as nn
import ulab.numpy as np

import time
import gc

# ===================== 显示管理 =====================

def deinit_display():
    """显示资源释放"""
    Display.deinit()
    print("Display deinitialized")

# ===================== YOLO26推理类 =====================

class ObjectDetectionApp(AIBase):
    """
    YOLO26目标检测应用类
    负责：模型推理 + 后处理 + 显示绘制
    """

    def __init__(self, kmodel_path, labels, model_input_size,
                 max_boxes_num=50, confidence_threshold=0.25,
                 nms_threshold=0.45,
                 rgb888p_size=[320,320],
                 display_size=[800,480],
                 debug_mode=0):

        # 父类初始化，负责 AI 运行时加载模型
        super().__init__(kmodel_path, model_input_size, rgb888p_size, debug_mode)

        # ----------------- 参数存储 -----------------
        self.labels = labels  # 类别标签
        self.confidence_threshold = confidence_threshold
        self.nms_threshold = nms_threshold
        self.max_boxes_num = max_boxes_num

        self.rgb888p_size = rgb888p_size  # AI 输入图像大小
        self.display_size = display_size  # 显示屏大小
        self.debug_mode = debug_mode

        # 原图 -> 模型输入 缩放系数
        self.x_factor = float(rgb888p_size[0]) / model_input_size[0]
        self.y_factor = float(rgb888p_size[1]) / model_input_size[1]

        # ----------------- Ai2D预处理配置 -----------------
        self.ai2d = Ai2d(debug_mode)
        self.ai2d.set_ai2d_dtype(nn.ai2d_format.NCHW_FMT,
                                 nn.ai2d_format.NCHW_FMT,
                                 np.uint8,
                                 np.uint8)
        self.ai2d.resize(nn.interp_method.tf_bilinear,
                         nn.interp_mode.half_pixel)
        self.ai2d.build([1,3,rgb888p_size[1],rgb888p_size[0]],
                        [1,3,model_input_size[1],model_input_size[0]])

        # 检测框颜色表（循环使用）
        self.color_table = [
            (255,0,0,255), (255,0,255,0), (255,255,0,0),
            (255,255,255,0), (255,0,255,255)
        ]

    # ===================== 后处理 =====================

    def postprocess(self, results):
        """
        YOLO26 后处理
        功能：解析模型输出预测框 -> 转换为绝对坐标列表，不做 NMS
        """

        with ScopedTiming("postprocess", self.debug_mode > 0):

            # 模型输出取第0个张量
            output = results[0]

            # 将输出 reshape 为 2 维矩阵 [num_preds, features]
            try:
                total_elems = output.size
                last_dim = output.shape[-1]
                new_rows = total_elems // last_dim
                out = output.reshape((new_rows, last_dim))
            except Exception as e:
                print("postprocess reshape 失败：", e)
                return []

            # 输出必须至少包含 6维：x1,y1,x2,y2,score,class
            if out.shape[-1] < 6:
                print("模型输出 shape 不符合要求：", out.shape)
                return []

            dets = []

            for det in out:
                score = float(det[4])

                # 置信度过滤
                if score < self.confidence_threshold:
                    continue

                # 原始框坐标
                x1, y1, x2, y2 = float(det[0]), float(det[1]), float(det[2]), float(det[3])
                class_id = int(det[5])

                # 如果是归一化坐标 (0~1)，需要映射回 RGB 图像尺寸
                if 0.0 <= x1 <= 1.0 and 0.0 <= y1 <= 1.0 and \
                   0.0 <= x2 <= 1.0 and 0.0 <= y2 <= 1.0:

                    x1 = int(x1 * self.rgb888p_size[0])
                    y1 = int(y1 * self.rgb888p_size[1])
                    x2 = int(x2 * self.rgb888p_size[0])
                    y2 = int(y2 * self.rgb888p_size[1])

                else:
                    # 否则假设已是绝对像素坐标
                    x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2)

                # 存入列表
                dets.append([x1, y1, x2, y2, score, class_id])

            # 若无检测结果则返回空
            if len(dets) == 0:
                return []

            return np.array(dets)


    # ===================== 绘制检测结果 =====================

    def draw_result(self, pl, dets):
        """
        在 OSD 图层绘制检测框 + 标签
        参数:
            pl: Pipeline 对象
            dets: 后处理返回的检测列表
        """
        pl.osd_img.clear()

        for det in dets:
            x1,y1,x2,y2,score,cls = det
            color = self.color_table[int(cls) % len(self.color_table)]

            # 坐标映射到显示屏尺寸
            x = int(x1 * self.display_size[0] / self.rgb888p_size[0])
            y = int(y1 * self.display_size[1] / self.rgb888p_size[1])
            w = int((x2 - x1) * self.display_size[0] / self.rgb888p_size[0])
            h = int((y2 - y1) * self.display_size[1] / self.rgb888p_size[1])

            # 绘制矩形框
            pl.osd_img.draw_rectangle(x, y, w, h, color=color, thickness=6)#thickness可以修改这个框的粗细

            # 绘制文字标签：类别 + 置信度
            label = "%s %.2f" % (self.labels[int(cls)], score)
            pl.osd_img.draw_string_advanced(x, y - 50,  # 文本位置（框上方）
                                32,  # 字体大小
                                label,  # 文本内容
                                color=color)  # 文本颜色

# ===================== 主程序入口 =====================

if __name__ == "__main__":

    try:
        # 初始化 LCD 显示
        Display.init(Display.ST7701, width=800, height=480, to_ide=False)

        display_size = [800,480]
        rgb888p_size = [320,320]

        # 构建处理管线：RGB 图像 → 模型输入 → 显示
        pl = PipeLine(rgb888p_size=rgb888p_size,
                      display_size=display_size,
                      display_mode="st7701")
        pl.create(Sensor(width=1920, height=1080))

        # 模型路径 & 类别标签 （请替换为你的实际类别）
        kmodel_path = "/sdcard/best.kmodel"
        labels = ["relay","openmv","dcdc","motor","stm32","oled","ultrasound","servo"]

        # 创建 YOLO26 对象
        ob = ObjectDetectionApp(kmodel_path,
                                labels=labels,
                                model_input_size=[320,320],
                                max_boxes_num=50,
                                confidence_threshold=0.25,
                                nms_threshold=0.45,
                                rgb888p_size=rgb888p_size,
                                display_size=display_size)

        clock = time.clock()

        # 主循环：持续检测 + 显示
        while True:
            clock.tick()

            img = pl.get_frame()      # 获取当前帧
            res = ob.run(img)         # 模型推理 + 后处理

            ob.draw_result(pl, res)   # 绘制检测结果
            pl.show_image()           # 显示画面

            print("FPS:",clock.fps())
            gc.collect()

    finally:
        deinit_display()