在 LabVIEW 中运行 YOLO26：基于 OpenVINO 的实时目标检测实践

virobotics

245人浏览 · 2026-07-14 17:20:00

virobotics · 2026-07-14 17:20:00 发布

‍‍🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主
🎄所属专栏：『AI Agent for LabVIEW』
📑推荐文章：『LabVIEW人工智能深度学习指南』
🍻本文由virobotics(仪酷智能)原创

仪酷智能官网：https://www.virobotics.net/

邮箱：info@virobotics.net

🥳欢迎大家关注✌点赞👍收藏⭐留言📝订阅专栏

大家好，这里是 仪酷智能 VIRobotics，致力于 AI for LabVIEW。

随着 AI 视觉模型在工业检测、自动化测试和边缘推理中的应用越来越多，很多 LabVIEW 工程师都会遇到一个问题：模型训练和算法更新越来越快，但真正落地到工程现场时，仍然需要和相机采集、PLC 通信、运动控制、测试流程、数据记录和界面交互结合。

对于长期使用 LabVIEW 的工程师来说，最理想的方式并不是重新搭建一套 Python 工程，而是在熟悉的 LabVIEW 环境中，直接完成模型加载、图像采集、AI 推理和结果显示。

本文以 YOLO26 + OpenVINO + LabVIEW 为例，介绍如何通过仪酷智能 AI Vision Toolkit for OpenVINO（AIVT-OV） 在 LabVIEW 中快速实现目标检测应用。

为什么选择 YOLO26 + OpenVINO？

YOLO 是实时目标检测中应用非常广泛的一类模型。它通过一次神经网络推理直接完成目标定位和分类，因此非常适合视频流检测、工业缺陷识别、机器人视觉和边缘端部署等场景。

YOLO26 是 Ultralytics YOLO 系列中的新一代模型家族，面向实时视觉任务，支持目标检测、分割、分类、姿态估计等多类视觉任务。对于工业视觉应用来说，它的优势在于模型体系统一，部署路径清晰，适合从实验验证逐步走向工程应用。

OpenVINO 则主要负责推理加速。它可以充分利用 Intel CPU、集成显卡、独立显卡等硬件资源，在工控机、工业电脑和边缘设备上实现高效推理。

而 AIVT-OV 的作用，是把 OpenVINO 推理能力封装到 LabVIEW 中。这样 LabVIEW 用户就可以通过图形化方式调用 YOLO26 模型，不需要额外搭建 Python 环境，也不需要从零编写复杂的推理代码。

简单来说，这套方案的目标是：让 LabVIEW 工程师能够直接在现有工程体系中使用 YOLO26 目标检测能力。

在 LabVIEW 中运行 YOLO26

在仪酷智能官网下载中心获取 AI Vision Toolkit for OpenVINO：

👉 https://www.virobotics.net/download

在这里插入图片描述

安装 AIVT-OV 后，可以通过 LabVIEW 范例查找器打开 YOLO26 示例：

Help >> Find Examples >> Directory Structure >> VIRobotics >> AI Vision >> Object Detection

在这里插入图片描述

YOLO26 示例文件夹路径通常为：

LabVIEW install path /examples/VIRobotics/AI Vision/Object Detection/YOLO26/

在这里插入图片描述

该文件夹下提供了 4 个典型范例 VI：

VI 名称	图像来源	适用场景
`YOLO26_OpenVINO.vi`	USB 摄像头	普通摄像头实时检测
`YOLO26_OpenVINO_imgs.vi`	图片文件夹	批量图片离线检测
`YOLO26_OpenVINO_NIVision.vi`	工业相机	工业相机实时检测
`YOLO26_OpenVINO_NIVision_img.vi`	单张图片	NI Vision 图片检测

这 4 个范例基本覆盖了从模型调试到工程部署的常见需求。

快速跑通 USB 摄像头实时检测

如果只是想快速验证 YOLO26 是否可以在 LabVIEW 中运行，可以先打开：YOLO26_OpenVINO.vi

在这里插入图片描述

这个范例会调用 USB 摄像头实时采集图像，然后使用 YOLO26 模型进行目标检测，并在前面板显示检测结果和每帧耗时。

基本步骤如下：

确认 USB 摄像头已经连接；
打开 YOLO26_OpenVINO.vi；
检查 model_file 是否指向正确的 YOLO26 模型；
检查 class_names_file 是否指向正确的类别文件；
设置推理设备 device_name，可使用 CPU 或 GPU；
点击运行按钮；
查看实时检测结果；
点击 stop 停止程序。

对于初次测试，建议先使用默认模型和默认类别文件。确认范例可以正常运行后，再替换为自己训练的模型。

图片文件夹检测：更适合模型调试

如果当前电脑没有摄像头，或者想测试一批图片，可以使用：YOLO26_OpenVINO_imgs.vi

在这里插入图片描述

这个范例支持选择一个图片文件夹，并在列表框中点击不同图片进行检测。它非常适合模型训练后的效果验证。

使用步骤如下：

打开 YOLO26_OpenVINO_imgs.vi；
设置模型路径和类别文件路径；
在 image Folder 中选择图片文件夹；
程序会自动列出文件夹中的图片；
点击任意图片名称；
查看检测结果；
继续点击其他图片进行测试。

对于训练好的缺陷检测模型，建议先用这个范例快速查看测试集效果，再接入摄像头实时检测。

工业相机场景：使用 NI Vision 版本

如果项目中使用的是工业相机，例如 Basler、FLIR 等，并且通过 NI-IMAQdx 驱动进行采集，可以使用：YOLO26_OpenVINO_NIVision.vi

在这里插入图片描述

这个范例使用 NI Vision Image 作为图像数据类型，更适合接入已有的 NI Vision 工程。

使用前需要确认：

已安装 NI-IMAQdx 驱动；
工业相机可以在 NI MAX 中正常识别；
已知道相机名称，例如 cam0；
已正确配置 YOLO26 模型路径和类别文件路径。

如果只是想测试一张 NI Vision 图片，可以使用：YOLO26_OpenVINO_NIVision_img.vi，它适合将 AI 检测能力接入已有 NI Vision 图像处理流程。

在这里插入图片描述

关键参数说明

YOLO26 范例中有几个常用参数需要关注。

device_name：用于选择推理设备。一般可以设置为 CPU 或 GPU。如果电脑有 Intel GPU，可以尝试使用 GPU 获得更好的推理速度。
confThreshold：置信度阈值。阈值越高，误检通常越少，但也可能漏检；阈值越低，召回率通常更高，但可能带来更多误检。范例默认值一般为 0.3。
nms_threshold：非极大值抑制阈值，用于合并重叠检测框。范例默认值一般为 0.5。
class_names_file：类别名称文件。如果使用自己训练的模型，需要保证类别文件中的类别顺序与模型输出一致。
onnx_path：模型路径建议使用英文路径，例如：C:/ProgramData/VIRobotics/ModelZoo/Object_Detection/yolo26/yolo26n.onnx。不要将模型放在包含中文、空格或特殊字符的路径中。