一、 研究背景与项目动机

本项目旨在探索端侧 AI 部署的可行性。通过将轻量级的 YOLO 模型（yolo26n.ms）部署至 HarmonyOS 移动端，验证在端侧设备上直接进行目标检测与相似商品提取的推理性能。

二、 开发环境与项目结构

本项目基于华为 DevEco Studio 开发，语言采用 ArkTS。核心模型采用 MindSpore 框架转换后的 .ms 格式模型。

核心项目目录结构说明如下：

• entry/src/main/ets/entryability/EntryAbility.ets：应用生命周期管理与入口配置。

• entry/src/main/ets/pages/Index.ets：主 UI 界面与核心交互逻辑存放位置。

• entry/src/main/resources/rawfile/yolo26n.ms：编译并转换完成的 YOLO 端侧模型文件。

三、 核心架构与代码实现

由于鸿蒙底层的 MindSpore 推理框架不支持直接运行 PyTorch 模型，本工程探索了从官方预训练模型到端侧 格式的完整转换链路。若要自行准备模型，请参考以下流程：

• 来源：Ultralytics 官方仓库
• 地址：GitHub - ultralytics/ultralytics: Ultralytics YOLO 🚀 · GitHub
• 说明：在该仓库的 README 或 Docs 中下载轻量级的预训练权重（本项目使用的是官方预训练的 yolo26n.pt），也可以使用该框架自行训练得到特定场景的权重。

利用 Ultralytics 自带的导出功能，将 PyTorch 模型转化为通用的 ONNX 结构。在 Python 环境中执行以下命令（建议开启消除冗余算子）：

yolo export model=yolov26n.pt format=onnx imgsz=640 simplify=True

此步骤需使用华为官方提供的 MindSpore Lite Converter（离线模型转换工具），将 ONNX 算子映射为端侧底层的高性能算子。

工具下载地址：下载MindSpore Lite | MindSpore Lite master 文档 | MindSpore （本文下载的是mindspore-lite-2.9.0-linux-x64，在Windows系统下转换时没有成功，在Ubantu22.04系统上进行转换的，本项目提供了预训练的 yolo26n.ms）

转换指南参考：端侧模型转换 | MindSpore Lite master 文档 | MindSpore

基本转换命令示例：

注：转换完成后，只需将生成的 yolo26n.ms 放入本工程的 entry/src/main/resources/rawfile/ 目录下即可被代码自动读取。

4.开发与测试环境设置

1. IDE 与 SDK 环境 开发工具： HUAWEI DevEco Studio（本文下载的版本是devecostudio-windows-6.1.0.850）

工具下载地址：下载中心 | 华为开发者联盟-HarmonyOS开发者官网，共建鸿蒙生态

SDK 环境：HarmonyOS NEXT （API 11 / API 12）

硬件测试设备运行载体： 华为鸿蒙真机（因涉及底层 NPU/CPU 算力调度与 MindSpore 底层依赖，暂不支持通过电脑本地模拟器进行推理验证）。 注意：手机需要更新到鸿蒙6系统！！！

四、 端侧部署避坑记录

在实际开发与测试中，记录以下关键技术问题的解决方案：

• UI 线程阻塞问题： 图像预处理与模型推理均属于 CPU 密集型任务。若直接在主线程运行，会导致应用严重掉帧。必须通过 TaskPool 或 Worker 开启独立线程执行预处理和 model.predict() 操作。

• 内存管理规范： Float32Array 的创建与 PixelMap 的读取会占用较大内存。每次推理结束后，需严格调用 release() 接口释放图像资源，避免连续识别导致 OOM（内存溢出）。

五、 总结

本实践完成了基于“HarmonyOS + MindSpore Lite + YOLO”的端侧目标检测初步验证，跑通了模型加载、数据处理到 UI 渲染的完整基础链路。

项目源码及转换后的 yolo26n.ms 模型文件已开源，欢迎各位开发者 Star、指正与交流：Aiyc-02/YOLO-HarmonyOS-Vision： 基于 ArkTS 与 MindSpore Lite 的鸿蒙端侧 YOLO 目标检测引擎