ultralytics/yolo-flutter-app

Official Ultralytics YOLO Flutter plugin for real-time inference on Android and iOS across major vision tasks.

📦 什么是 YOLO Flutter？

YOLO Flutter 是一个官方的 Ultralytics 插件，让您可以直接在 Flutter 移动应用程序中运行热门的 YOLO 计算机视觉模型系列。它抽象了平台特定的细节（iOS 上的 Core ML、Android 上的 LiteRT/TFLite，以及可选的 Qualcomm NPU 支持），并为您提供单一的 Dart API 来进行：

单张图像推理 – YOLO
实时相机推理 – YOLOView

这两个入口点皆支持 iOS 和 Android 上完整的 YOLO 任务（目标检测、实例/语义分割、深度、分类、姿态、旋转边界框）。

✨ 主要功能（如 README 所述）

功能	详细信息
跨平台 API	一个 Dart API 即可在 iOS 和 Android 上运行。
元数据优先的模型加载	提供官方模型 ID 或自定义导出模型；插件会读取内嵌的元数据来推理任务和类别标签。
实时相机推理	`YOLOView` 可流式传输设备相机的结果。
单张图像推理	`YOLO` 可对图像的字节数组进行预测。
支持的任务	检测、实例分割、语义分割、深度估计、分类、姿态、OBB。
模型系列	YOLOv8 26 和 YOLOv11 系列。
官方模型处理	自动下载与缓存 Ultralytics 托管的资产（Android 的 LiteRT .tflite，iOS 的 Core ML .mlpackage）。
自定义模型	加载任何导出的 TFLite、Core ML 或 ONNX (QNN) 模型；若有元数据则会使用。
Qualcomm NPU (QNN) 支持	通过 ONNX Runtime QNN 提供者，在 Snapdragon 设备上提供可选的 Hexagon NPU 推理。
加速器选择	在运行时选择 CPU、GPU (LiteRT delegate) 或 NPU。
结果流式传输	推理结果通过回调 (`onResult`) 传递。
版本化发布	模型资产锁定在 GitHub 发布标签，以确保可重现的下载。

🚀 快速入门概览（来自 README）

添加包

dependencies:
  ultralytics_yolo: ^0.6.16

然后运行 flutter pub get。

运行默认模型

import 'package:ultralytics_yolo/ultralytics_yolo.dart';

final modelId = YOLO.defaultOfficialModel() ?? 'yolo26n';

YOLOView(
  modelPath: modelId,
  onResult: (results) {
    for (final r in results) {
      debugPrint('${r.className}: ${r.confidence}');
    }
  },
);

单张图像推理

final yolo = YOLO(modelPath: 'yolo26n');
await yolo.loadModel();
final results = await yolo.predict(imageBytes);

自定义或远程模型 – 提供本地资产路径、打包的 .tflite/.mlpackage 或 HTTP URL。插件会自动下载并缓存远程模型。

📂 模型加载工作方式

流程	您提供的内容	插件的操作
官方模型 ID	`YOLO.defaultOfficialModel()` 或特定 ID 如 `yolo26n`	从 Ultralytics GitHub 发布下载对应的 LiteRT (Android) 或 Core ML (iOS) 资产，缓存并加载。
自定义导出模型	`.tflite` (Android) 或 `.mlpackage`/`.mlmodel` (iOS) 文件路径	读取内嵌元数据（若存在）以推理任务和类别列表；否则您必须传入 `task`。
远程 URL	`https://…/mymodel.tflite`	将文件下载到应用程序存储空间，然后加载。
Qualcomm NPU 模型	以 `_qnn.onnx` 结尾的路径	将模型路由至 ONNX Runtime QNN 执行提供者（需要额外的 Gradle 依赖项和 Snapdragon 设备）。

🛠️ 平台特定细节

Android – 使用 LiteRT（Google 的边缘运行时）并具备 GPU 代理回退。模型为 w8a32 .tflite 文件（int8 权重，FP32 激活）。可选的 QNN 支持会加入 onnxruntime-android-qnn 和 qnn-runtime 库。
iOS – 默认使用 Core ML (.mlpackage)。在 iOS 27+ 设备上提供可选的 Core AI (.aimodel) 格式。
加速器阶梯 – 运行时会在可用时自动选择 GPU；否则会在 CPU 上运行。NPU 仅在提供 _qnn.onnx 模型且设备符合硬件要求时使用。

📚 文档与指南（来自 README 的链接）

安装指南 – doc/install.md
快速入门 – doc/quickstart.md
模型指南 – doc/models.md（官方 ID、导出矩阵、元数据）
使用指南 – doc/usage.md
API 参考 – doc/api.md
性能指南 – doc/performance.md
故障排除 – doc/troubleshooting.md

🤝 社区与支持

Discord、论坛、Reddit – 官方 Ultralytics 频道。
GitHub Issues – 用于错误报告和功能请求。
贡献 – 请遵循 Ultralytics 贡献指南；本项目欢迎代码、文档和反馈。

📄 许可

本仓库采用双重许可：开源使用采用 AGPL-3.0，专有项目则提供商业许可选项（详细信息请见 README）。

总结

YOLO Flutter 是一个生产就绪的桥梁，将 Ultralytics 的 YOLO 模型带入任何 Flutter 应用程序，通过简洁的 Dart API 处理模型下载、平台特定运行时以及实时相机推理。对于想要在设备端进行计算机视觉（检测、分割、深度、姿态等）而无需编写原生 iOS/Android 代码的开发者来说，这是理想的选择。