yolo v8.3.241：macOS CoreML 推理加速、ExecuTorch 導出穩定性提升與邊緣硬件支持擴展

一、版本概述

yolo v8.3.241 是一個以后端性能優化與兼容性增強為核心的版本更新，重點圍繞 macOS 平臺的 ONNX Runtime 推理加速、ExecuTorch 導出的穩定性、邊緣硬件支持擴展以及可視化與文檔體系的完善展開。該版本在不改變現有 CUDA 行為的前提下，為 Apple 硬件用戶和嵌入式部署場景帶來了明顯收益。

二、macOS 上 ONNX Runtime 的 CoreML 優先策略

在 macOS 環境中，當使用 device="mps" 進行推理時，yolo v8.3.241 現在會優先使用 CoreML 執行提供器，而不是回退到 CPU。新的執行提供器選擇順序為：
CUDA > CoreML（MPS） > CPU

同時，日志輸出更加清晰，能夠明確提示當前實際使用的執行提供器，方便排查和性能分析。
此外，IO Binding 現在僅在被支持的情況下使用（例如 CUDA 場景），避免了在 CoreML 執行時可能引發的兼容性問題。

在實際應用中，這一改動可顯著提升 macOS 上的推理性能，在部分測試場景中，單次推理耗時可從約 20 毫秒降低至 9 毫秒左右，接近 2 倍性能提升。

三、ExecuTorch 導出穩定性改進

針對 ExecuTorch 導出過程中偶發的失敗問題，本版本進行了多項修復與優化：

1. 1. 在導出路徑中對 NumPy 版本進行了限制，固定為不高于 2.3.5，以規避新版本 NumPy 與 CoreML 工具鏈之間的已知不兼容問題。

2. 2. 清理了導出流程中冗余的 torch 導入，使導出邏輯更加簡潔。

這些調整顯著降低了在 CoreML 與移動端部署場景中出現“無法解釋的導出失敗”概率，使 ExecuTorch 的使用體驗更加穩定可靠。

四、Rockchip 硬件支持擴展

yolo v8.3.241 新增對 Rockchip RV1126B 芯片的支持，并在代碼與文檔中明確標注該處理器為受支持目標。
這意味著用戶可以更直接地將 Ultralytics 模型導出并部署到 RV1126B 平臺，無需額外的自定義補丁或修改配置，從而拓展了在邊緣計算設備上的應用范圍。

五、2 通道圖像可視化支持增強

在可視化方面，Annotator 現已支持 2 通道的 numpy 圖像數據。
當輸入為 2 通道圖像時，會在繪制與保存之前自動轉換為 3 通道格式，確保標注流程正常運行。這一改進使得非標準圖像數據（如光譜數據或自定義傳感器輸入）在推理與可視化環節中更加順暢，與 1 通道、3 通道以及多光譜數據的支持保持一致。

六、TensorRT 與 TensorFlow 后端清理

本次更新對推理后端相關代碼進行了進一步梳理：

1. 1. TensorFlow SavedModel 的加載路徑統一使用標準的加載方式，邏輯更加清晰。

2. 2. TensorRT 引擎解析過程進行了重構，更好地處理不同 TensorRT 版本下的動態形狀與數據類型差異。

這些改動提升了不同版本環境下后端行為的一致性與可維護性。

七、文檔與使用示例優化

文檔層面也進行了多項同步更新：

1. 1. SAM 3 相關示例修正了保存參數的使用方式，明確應在初始化階段進行配置。

2. 2. Sony IMX500 相關示例代碼進行了整理與排版優化。

3. 3. 自動標注、解決方案參數、跟蹤與可視化參數、驗證參數等文檔描述更加準確、易讀。

4. 4. 文檔站點的工具與組件進行了版本更新，整體使用體驗更加順暢。

代碼地址：github.com/ultralytics/ultralytics

yolo v8.3.241 是一次以性能與穩定性為導向的重要更新。
它在 macOS 平臺顯著提升了 ONNX Runtime 推理速度，在移動與嵌入式場景中增強了 ExecuTorch 導出的可靠性，同時擴展了對邊緣硬件和特殊圖像數據格式的支持。配合后端清理和文檔改進，該版本在訓練、推理與部署的整體體驗上更加成熟、可控，適合希望在多平臺環境中穩定使用 YOLO 的用戶升級采用。

我們相信人工智能為普通人提供了一種“增強工具”，并致力于分享全方位的AI知識。在這里，您可以找到最新的AI科普文章、工具評測、提升效率的秘籍以及行業洞察。 歡迎關注“福大大架構師每日一題”，發消息可獲得面試資料，讓AI助力您的未來發展。