YOLOv8模型MATLAB部署实战：ONNX桥接与dlnetwork端到端推理

简介：本资源是一套可在MATLAB环境中直接部署YOLOv8目标检测模型的完整实践方案，面向计算机、人工智能及相关专业的本科生与研究生，特别适合作为毕业设计、课程设计或深度学习项目实战练习。资源包含训练、推理、模型导入、Simulink仿真支持及Python环境配置等全流程代码，覆盖从数据预处理、模型训练到实时检测的完整技术链路，小白用户亦可按说明快速上手运行。压缩包共41个文件，以29个MATLAB脚本（.m）为核心，辅以图像（.png/.jpg）、模型文件（.mat）、配置文件（.yaml/.yml）、Simulink模型（.slx）及README文档等，总大小11.54MB，结构清晰、模块解耦，便于理解YOLOv8在MATLAB生态中的工程化落地路径。目前已有486人学习下载，源自研三高分毕设项目（评审99分），经导师指导验证，代码完整、注释详实、运行稳定，附带COCO类别映射、锚框生成、后处理解码等关键辅助函数，显著降低复现门槛。

1. 在 MATLAB 上跑通 YOLOv8 目标检测：不是“移植”，而是“桥接”——为什么你下载的.pt模型在 MATLAB 里直接importONNXNetwork会报错、黑屏、卡死，甚至让vision.CascadeObjectDetector自动抢跑？

这不是一个“把 PyTorch 模型拖进 MATLAB 就能用”的故事。YOLOv8 官方模型（.pt）本质是 PyTorch 的 TorchScript 或 state dict，MATLAB原生不支持直接加载.pt文件；而网上大量所谓“下载即用”的压缩包，往往只塞了一个没做任何适配的.pt，外加几行imread+imshow的空壳脚本——运行时要么报Undefined function 'yolov8'，要么在detect环节抛出Invalid input size，更常见的是 GPU 内存暴涨后 MATLAB 进程被系统强制 kill（尤其在 macOS 或 Windows WSL 下）。真实场景中，92% 的 MATLAB 用户卡在“模型转换”这一步：他们以为 ONNX 是万能中间格式，却不知道 YOLOv8 的导出默认含torch.nn.Upsample动态插值、non_max_suppression后处理硬编码、以及Detect层的自定义算子——这些在 ONNX 1.10+ 中仍属实验性支持，在 MATLAB R2023b–R2024a 的importONNXNetwork中会静默降级为 CPU 推理，且输出张量 shape 错乱。本文不讲理论推导，只讲一条实测通路：用export.py生成兼容 MATLAB 的简化 ONNX → 用onnx-simplifier剥离后处理 → 在 MATLAB 中用dlnetwork+ 自定义 NMS 实现端到端推理。全程无需 Python 环境参与推理，模型体积压缩 37%，单图推理耗时从 2.1s（原始 ONNX）压到 0.38s（MATLAB native）。适合正在做课程设计、毕业设计、嵌入式视觉预研，或需将算法快速交付给非 Python 背景同事（如控制工程师、硬件工程师）的用户。

2. 从.pt到 MATLAB 可加载 ONNX：三步剥离 PyTorch 依赖，绕过torch.nn.Upsample和Detect层陷阱

YOLOv8 的官方导出命令yolo export model=yolov8n.pt format=onnx表面成功，实则埋雷。MATLAB 对 ONNX 的解析能力严格受限于其内置的 ONNX Runtime 版本（R2024a 对应 ORT 1.15.1），而该版本对Resize（对应 Upsample）、NonMaxSuppression（NMS）等算子的支持存在两层限制：一是仅支持静态 shape 的 Resize（YOLOv8 默认用动态 scale_factor），二是 NMS 输出必须为固定 3 维张量（[batch, num_dets, 6]），但官方 ONNX 导出默认输出num_dets为?（动态维度），MATLAB 无法 infer。因此，不能跳过模型重导出和结构精简。下面步骤全部基于 Ubuntu 20.04 + Python 3.9 + PyTorch 2.0.1（与 MATLAB R2023b–R2024a 兼容性最佳组合），Windows 用户请确保已安装 WSL2 并启用 GPU 支持（nvidia-smi可见）。

2.1 重导出：禁用动态插值，固化输入尺寸，显式关闭agnostic_nms

我们不用yolo export，改用ultralytics源码中的export.py手动调用，关键在于覆盖默认参数：

# export_fixed.py from ultralytics import YOLO import torch # 加载模型（确保 yolov8n.pt 在当前目录） model = YOLO('yolov8n.pt') # 关键：指定静态输入尺寸（MATLAB 不支持动态 batch/size） # 这里设为 640x640 —— YOLOv8n 默认训练尺寸，也是 MATLAB imresize 最稳定尺寸 model.export( format='onnx', imgsz=640, # 强制固定输入分辨率 dynamic=False, # 禁用动态 batch/height/width（MATLAB 不认 ? 维度） simplify=True, # 启用 onnx-simplifier 预处理（后续步骤需） opset=12, # ONNX opset 12 是 MATLAB R2023b+ 最稳版本 device='cpu', # CPU 导出更稳定，避免 CUDA context 冲突 half=False, # 不用 FP16 —— MATLAB R2024a 的 dlnetwork 对 FP16 ONNX 支持不全 nms=True, # 保留 NMS 层（但后续要手动替换） agnostic_nms=False # 关闭类别无关 NMS —— MATLAB 的 custom NMS 更易控 )

逻辑说明：dynamic=False强制所有输入/输出 tensor 的 shape 固化为[1,3,640,640]和[1,84,8400]（YOLOv8n 的 anchor-free 输出），避免 MATLAB 解析时因?维度报Invalid dimension；opset=12是 MATLAB 官方文档明确声明 fully supported 的最高版本；half=False是血泪经验——开启 FP16 后，importONNXNetwork会成功加载但predict时在dlnetwork内部触发Invalid data type conversion，因为 MATLAB 的dlarray默认 FP32，混合精度链路未打通。

运行后生成yolov8n.onnx。此时它仍含Resize算子（Upsample），需下一步精简。

2.2 精简 ONNX：用onnx-simplifier剥离Resize，将上采样融合进卷积权重

onnx-simplifier是解决 Upsample 兼容性的工业级方案。它不删除上采样逻辑，而是将Conv → Upsample → Add结构重写为ConvTranspose或直接展开插值权重，使整个网络变为纯静态算子链：

# 安装（仅需一次） pip install onnx-simplifier onnx # 精简（关键：--input-shape 指定固化尺寸，否则 simplifier 会恢复动态维度） python -m onnxsim yolov8n.onnx yolov8n_simplified.onnx \ --input-shape "[1,3,640,640]" \ --skip-optimization "fuse_consecutive_squeezes,fuse_consecutive_reshapes" \ --custom-lib-path /path/to/ultralytics/ultralytics/utils/ops.py

参数说明：--input-shape必须与导出时imgsz一致，否则 simplifier 会尝试 infer 动态 shape；--skip-optimization中跳过两个 squeeze/reshape 合并，因为 YOLOv8 的 Detect 层输出 reshape 逻辑较特殊，强行合并会导致输出 channel 错位；--custom-lib-path指向ultralytics源码中的ops.py，用于正确解析non_max_suppression的自定义属性（虽然后续会移除，但 simplifier 需此路径完成图分析）。执行后生成yolov8n_simplified.onnx，用 Netron 打开可验证：所有Resize节点消失，Upsample被替换为ConvTranspose或Constant+Add。

2.3 移除 NMS 层：导出纯 backbone+head，MATLAB 内实现轻量 NMS

YOLOv8 的 ONNX 默认包含NonMaxSuppression算子，但 MATLAB 的importONNXNetwork会将其识别为 unsupported op，并静默丢弃该节点，导致输出仅为[1,84,8400]的 raw logits，无坐标解码。正确做法是导出无 NMS 的纯检测头，再在 MATLAB 中用bboxnms+ 自定义解码实现。修改export_fixed.py中的导出参数：

# 替换原 export 调用为： model.export( format='onnx', imgsz=640, dynamic=False, simplify=True, opset=12, device='cpu', half=False, nms=False, # 👈 关键！禁用 ONNX 内置 NMS task='detect' # 明确任务类型，确保 head 输出为 [batch, 4+nc, anchors] )

重新运行，得到yolov8n_no_nms.onnx。再用onnx-simplifier精简：

python -m onnxsim yolov8n_no_nms.onnx yolov8n_matlab.onnx \ --input-shape "[1,3,640,640]"

最终yolov8n_matlab.onnx是一个纯前向网络：输入[1,3,640,640]，输出[1,84,8400]（YOLOv8n 的 84=4+80，8400=anchors 数量）。这个文件可被 MATLABimportONNXNetwork100% 加载，无警告、无降级、无 shape 错误。

3. 在 MATLAB 中构建端到端 pipeline：dlnetwork加载 +dlarray推理 + 自定义 bbox 解码 +bboxnms后处理

MATLAB R2023b 引入dlnetwork对 ONNX 的支持已足够健壮，但必须配合正确的数据预处理和后处理链路。核心原则：所有操作必须在dlarray上进行，避免 CPU/GPU 数据拷贝断层。以下代码在 MATLAB R2023b 或 R2024a 中实测通过，无需额外工具箱（仅需 Deep Learning Toolbox）。

3.1 加载与验证：确认网络输入/输出 shape 符合预期

% 加载 ONNX 模型（确保 yolov8n_matlab.onnx 在当前路径） net = importONNXNetwork('yolov8n_matlab.onnx'); % 查看输入信息（应为 1x3x640x640） disp(net.Layers(1).Name); % 应为 'images' 或类似 disp(net.Layers(1).InputSize); % 应显示 [640 640 3 1] % 查看输出信息（应为 1x84x8400） disp(net.Layers(end).Name); % 应为 'output' 或 'model.22.dfl.conv' disp(net.Layers(end).OutputSize); % 应显示 [8400 84 1 1] 或 [1 84 8400] % ✅ 验证通过：若 OutputSize 显示 [1 84 ?] 或报错，则说明 ONNX 未固化 shape，需回退步骤 2 重导出

逻辑说明：importONNXNetwork返回的是dlnetwork对象，其Layers属性可直接 inspect。重点检查OutputSize—— 若含?，证明dynamic=False或onnx-simplifier未生效；若为[1 84 8400]，说明 shape 已固化，可进入推理。

3.2 图像预处理：imresize+im2double+permute+dlarray四步归一

YOLOv8 训练时使用BGR顺序、0-255像素值、[H,W,C]格式，而 MATLAB 默认RGB、0-1、[H,W,C]。必须严格对齐：

function dlX = preprocess_image(img_path, target_size) % img_path: 字符串，如 'test.jpg' % target_size: [H,W]，如 [640,640] % 1. 读取为 uint8 BGR（用 imread 读 RGB，再翻转通道） img_rgb = imread(img_path); img_bgr = flip(img_rgb, 3); % RGB -> BGR % 2. 缩放至 target_size（保持宽高比，padding 黑边） [h, w, ~] = size(img_bgr); scale = min(target_size(1)/h, target_size(2)/w); new_h = round(h * scale); new_w = round(w * scale); img_resized = imresize(img_bgr, [new_h, new_w]); % 3. 创建黑底 canvas，居中粘贴 canvas = zeros(target_size(1), target_size(2), 3, 'uint8'); top = floor((target_size(1) - new_h)/2); left = floor((target_size(2) - new_w)/2); canvas(top+1:top+new_h, left+1:left+new_w, :) = img_resized; % 4. 归一化：uint8 -> double -> [0,1] -> 减均值除方差（YOLOv8 默认 mean=[0,0,0], std=[255,255,255]） img_double = im2double(canvas); % [0,1] img_norm = (img_double - 0) ./ 255; % YOLOv8 训练用 0均值/255方差，非 ImageNet 标准 % 5. 转置为 [C,H,W] 并转 dlarray（GPU 自动启用） img_dl = dlarray(permute(img_norm, [3,1,2]), 'SSC'); % 'SSC' = Spatial-Spatial-Channel dlX = img_dl; end % 使用示例 dlX = preprocess_image('bus.jpg', [640,640]);

参数说明：permute(img_norm, [3,1,2])将[H,W,C]→[C,H,W]，匹配 ONNX 输入格式；'SSC'标签告诉dlnetwork此为图像数据，自动启用卷积优化；dlarray构造时若 GPU 可用（canUseGPU返回 true），数据自动上 GPU，无需gpuArray显式转换。

3.3 推理与解码：从[1,84,8400]到[N,6]（x,y,w,h,conf,class）

YOLOv8 的输出是 anchor-free 的 8400 个预测框（8400 = 80*80 + 40*40 + 20*20，对应 P3/P4/P5 三层特征图），需解码为(x,y,w,h)坐标。MATLAB 无现成yolov8_decode函数，需手写：

function bboxes = decode_yolov8_output(dlY, conf_thresh, iou_thresh) % dlY: dlarray of size [1,84,8400] from network predict % conf_thresh: 置信度阈值，如 0.25 % iou_thresh: NMS IOU 阈值，如 0.45 % 1. 提取 raw output 并转 CPU double Y = extractdata(gather(dlY)); % gather 强制回 CPU，extractdata 得 double Y = squeeze(Y); % [84,8400] % 2. 分离坐标、置信度、类别概率 xywh = Y(1:4, :); % [4,8400] conf = Y(5, :); % [1,8400] cls_prob = Y(6:end, :); % [80,8400] % 3. 计算每个框的 class score = conf * max(cls_prob) cls_score = conf .* max(cls_prob, [], 1); % [1,8400] % 4. 筛选高分框 valid_idx = cls_score > conf_thresh; xywh_valid = xywh(:, valid_idx); cls_score_valid = cls_score(valid_idx); [~, class_id] = max(cls_prob(:, valid_idx), [], 1); % [1,N] % 5. 解码 xywh：YOLOv8 输出为 normalized xywh (0~1)，需映射回 640x640 像素 % x,y 为中心点，w,h 为宽高，全部乘以 640 xywh_pixel = xywh_valid * 640; % [4,N] % 6. 转换为 [x,y,w,h] 格式（bboxnms 要求） bboxes_raw = [xywh_pixel(1,:)' - xywh_pixel(3,:)'./2, ... % x = cx - w/2 xywh_pixel(2,:)' - xywh_pixel(4,:)'./2, ... % y = cy - h/2 xywh_pixel(3,:)', ... % w xywh_pixel(4,:)']; % h % 7. NMS 去重 bboxes = bboxnms(bboxes_raw, cls_score_valid', iou_thresh); % 8. 拼接 class_id 和 score scores = cls_score_valid'; classes = class_id'; bboxes = [bboxes, scores, classes]; end % 使用示例 dlY = predict(net, dlX); bboxes = decode_yolov8_output(dlY, 0.25, 0.45); % bboxes is [N,6]: [x,y,w,h,score,class_id]

逻辑说明：gather(dlY)是关键——dlnetwork.predict输出仍是dlarray，必须gather回 CPU 才能用squeeze和矩阵运算；bboxnms是 MATLAB 内置函数，比手写循环快 10 倍以上；class_id用max(..., [], 1)获取每列最大值索引，对应类别 ID（0-based，与 COCO 一致）。

4. 避坑指南：YOLOv8 + MATLAB 部署中 5 个高频翻车现场与后悔药

部署失败往往不是模型问题，而是环境、参数或认知偏差导致。以下是实测中出现频率最高的 5 类问题，按现象→原因→解决给出可立即执行的补救方案。

4.1 现象：importONNXNetwork报错The ONNX model contains an operator that is not supported，定位到Resize或NonMaxSuppression

原因：ONNX 文件仍含动态算子，或onnx-simplifier未正确运行（如未指定--input-shape）。
解决：

1. 用onnx.checker.check_model(onnx.load('model.onnx'))在 Python 中验证 ONNX 有效性；
2. 用 Netron 打开模型，搜索Resize节点 —— 若存在，重新运行onnx-simplifier并确认--input-shape参数；
3. 若NonMaxSuppression仍存在，检查export.py中nms=False是否生效，或改用ultralytics==8.0.20（该版本导出 NMS 更干净）。

4.2 现象：predict后extractdata(gather(dlY))返回全零矩阵，或 shape 为[1,1,1]

原因：输入图像未正确预处理 —— 最常见是忘记flip(img_rgb,3)转 BGR，或permute顺序错误导致通道错位。
解决：

1. 在preprocess_image函数末尾添加imshow(extractdata(dlX), 'Parent', figure); title('Preprocessed Input');查看输入是否为 BGR 黑底图；
2. 手动检查dlX的Size：应为[3,640,640]，若为[640,640,3]，说明permute顺序错，改为permute(img_norm, [3,1,2])；
3. 若dlX像素值全为 0，检查im2double后是否漏了./255归一化。

4.3 现象：decode_yolov8_output输出bboxes为空，或bboxnms返回[]

原因：置信度阈值conf_thresh过高，或解码时未将 normalized xywh 映射回像素坐标。
解决：

1. 临时将conf_thresh设为0.001，观察cls_score_valid是否有非零值；
2. 在解码前插入disp([min(xywh_valid(:)), max(xywh_valid(:))])—— 若输出为[0,1]，说明未乘640，补上xywh_pixel = xywh_valid * 640；
3. 检查bboxes_raw的x,y是否为负数（中心点减半宽高后越界），若是，说明xywh_valid的x,y是绝对坐标而非中心点，需确认 YOLOv8 版本 —— v8.0.20+ 输出为 center-based，旧版需调整。

4.4 现象：GPU 推理速度比 CPU 还慢，gputimeit测得 GPU 耗时是 CPU 的 2 倍

原因：dlarray未真正绑定 GPU，或predict时数据在 CPU 而网络在 GPU（反之亦然）。
解决：

1. 运行canUseGPU确认 GPU 可用；
2. 在predict前添加dlX = dlupdate(@gpuArray, dlX)强制上 GPU；
3. 确保net本身在 GPU：net = dlupdate(@gpuArray, net)（对dlnetwork有效）；
4. 首次predict总是慢（CUDA 初始化），用gputimeit(@() predict(net,dlX), 1)测第二次耗时。

4.5 现象：bboxnms输出框坐标远超图像边界（如x=-1200），或w,h为极大值

原因：YOLOv8 输出的w,h是相对于特征图尺度的，未按 stride 缩放回原图。
解决：
YOLOv8 的 8400 个 anchor 是按 stride=8,16,32 分布的，需按位置索引反推 stride：

% 在 decode_yolov8_output 中，替换 xywh_pixel 计算： anchor_idx = 1:size(xywh_valid,2); stride_map = [repmat(8,1,6400), repmat(16,1,1600), repmat(32,1,400)]; % P3/P4/P5 anchor 数 strides = stride_map(anchor_idx); xywh_pixel = bsxfun(@times, xywh_valid, strides); % 按 stride 缩放

注意：此修正仅适用于yolov8n（6400+1600+400=8400），其他尺寸需按ultralytics/ultralytics/models/yolo/detect/val.py中self.stride修改stride_map。

5. 进阶技巧：用coder生成 C++ 代码部署到 RK3588，或用webapp发布在线检测页

当模型在 MATLAB 中验证无误后，下一步常是跨平台部署。MATLAB 提供两条成熟路径：嵌入式 C++ 代码生成（面向 RK3588、Jetson 等 ARM 板）和Web App 托管（面向内部演示、教学）。二者均无需重写模型，复用现有dlnetwork和解码逻辑。

5.1 生成 RK3588 可运行的 C++ 代码：codegen+dlnetwork+arm-compute-library

MATLAB Coder 支持将dlnetwork.predict生成 C++，但需满足三个前提：网络必须为dlnetwork（已满足）、所有自定义函数（如decode_yolov8_output）必须为coder.extrinsic或重写为 coder-compatible、输入输出必须为固定大小。我们以yolov8n_matlab.onnx为例：

% 1. 将 decode_yolov8_output 重写为 coder-friendly（移除 gather/extractdata） function bboxes = decode_yolov8_output_coder(Y, conf_thresh, iou_thresh) % Y: double [84,8400] —— predict 输出经 coder.extrinsic('gather') 后传入 xywh = Y(1:4, :); conf = Y(5, :); cls_prob = Y(6:end, :); cls_score = conf .* max(cls_prob, [], 1); valid_idx = cls_score > conf_thresh; xywh_valid = xywh(:, valid_idx); cls_score_valid = cls_score(valid_idx); [~, class_id] = max(cls_prob(:, valid_idx), [], 1); xywh_pixel = xywh_valid * 640; bboxes_raw = [xywh_pixel(1,:)' - xywh_pixel(3,:)'./2, ... xywh_pixel(2,:)' - xywh_pixel(4,:)'./2, ... xywh_pixel(3,:)', ... xywh_pixel(4,:)']; bboxes = bboxnms(bboxes_raw, cls_score_valid', iou_thresh); bboxes = [bboxes, cls_score_valid', class_id']; end % 2. 创建入口函数（coder 要求） function bboxes = yolov8_inference(img_path, conf_thresh, iou_thresh) %#codegen coder.extrinsic('gather'); dlX = preprocess_image(img_path, [640,640]); dlY = predict(net, dlX); Y = gather(dlY); % extrinsic call bboxes = decode_yolov8_output_coder(Y, conf_thresh, iou_thresh); end % 3. 生成代码（需 MATLAB Coder 和 Embedded Coder 许可） cfg = coder.config('lib'); cfg.TargetLang = 'C++'; cfg.Hardware = coder.hardware('ARM Cortex-A'); cfg.DeepLearningConfig = dlnetworkConfig('arm-compute-library'); % 需提前安装 ACL codegen -config cfg yolov8_inference -args {coder.typeof('string'), 0.25, 0.45}

落地效果：生成的yolov8_inference.cpp可直接编译为 RK3588 的可执行文件，调用arm_compute::NEConvolutionLayer加速，实测在 RK3588 上 640x640 图像推理耗时 112ms（CPU A76×4），比原生 Python ONNX Runtime 快 1.8 倍。关键点：dlnetworkConfig('arm-compute-library')启用 ARM 定制算子，coder.hardware('ARM Cortex-A')指定指令集。

5.2 发布 Web App：三步上线在线 YOLOv8 检测页，无需服务器运维

MATLAB Web App Server 允许将 GUI 封装为网页应用。我们构建一个极简界面：上传图片 → 点击检测 → 显示带框结果。核心是uifigure+uieditfield+uibutton：

function app = yolov8_web_app() app = uifigure('Name', 'YOLOv8 Online Detector'); app.Position = [100 100 800 600]; % 图片显示区域 app.ImageAxes = uiaxes(app); app.ImageAxes.Position = [50 100 600 400]; % 上传按钮 app.UploadButton = uibutton(app, 'push', 'Text', 'Upload Image'); app.UploadButton.Position = [50 520 120 30]; app.UploadButton.ButtonPushedFcn = @(~,~) upload_and_detect(app); % 置信度滑块 app.ConfSlider = uislider(app); app.ConfSlider.Limits = [0.1 0.9]; app.ConfSlider.Value = 0.25; app.ConfSlider.Position = [200 520 200 30]; % 标签 app.ConfLabel = uilabel(app, 'Text', 'Confidence:'); app.ConfLabel.Position = [200 550 100 20]; % 存储模型（避免每次检测重载） app.net = importONNXNetwork('yolov8n_matlab.onnx'); end function upload_and_detect(app) [file, path] = uigetfile({'*.jpg;*.png','Image Files'}); if isequal(file,0), return; end % 预处理 & 推理 dlX = preprocess_image(fullfile(path,file), [640,640]); dlY = predict(app.net, dlX); conf_thresh = app.ConfSlider.Value; bboxes = decode_yolov8_output(dlY, conf_thresh, 0.45); % 显示原图 img = imread(fullfile(path,file)); imshow(img, 'Parent', app.ImageAxes); % 绘制框 if ~isempty(bboxes) for i = 1:size(bboxes,1) rectangle('Position', bboxes(i,1:4), 'EdgeColor', 'red', 'LineWidth', 2, ... 'Parent', app.ImageAxes); text(bboxes(i,1), bboxes(i,2)-5, sprintf('Class %d: %.2f', ... bboxes(i,6), bboxes(i,5)), 'Color', 'red', 'FontSize', 10, ... 'Parent', app.ImageAxes); end end end

发布流程：

1. 在 MATLAB 中运行app = yolov8_web_app()启动本地测试；
2. 点击APPS → Web App Server → Package Web App，选择yolov8_web_app；
3. 生成.mlappinstall包，上传至已配置的 Web App Server（支持 Linux/Windows，免费版支持 3 个并发）；
4. 访问https://your-server:3000/yolov8_web_app即可在线使用。
   优势：用户无需安装 MATLAB，上传图片即得结果；所有计算在服务器端完成，前端仅 HTML/JS；支持 HTTPS、用户权限管理（企业版）。

我坚持用这套流程交付了 7 个客户项目，从本科生课程设计到某车企的 ADAS 预研 demo。最深的教训是：别信“下载即用”，信自己跑通的每一行onnx-simplifier命令和dlarray的permute顺序。YOLOv8 在 MATLAB 里不是“不能用”，而是需要把 PyTorch 的灵活和 MATLAB 的严谨用桥接思维串起来。希望帮到你。

本文还有配套的精品资源，点击获取