行空板上YOLO和Mediapipe视频物体检测的测试

Introduction

经过前面三篇教程帖子（yolov8n在行空板上的运行（中文），yolov10n在行空板上的运行（中文），Mediapipe在行空板上的运行（中文））的介绍，我们对如何使用官方代码在行空板上运行物体检测的AI模型有了基本的概念，并对常见的模型进行了简单的测试和对比。

在行空板上YOLO和Mediapipe图片物体检测的测试（中文）中我们对于行空板上使用YOLO和Mediapipe进行图片物体检测进行了测试。

进一步的，本文将

• 对不同模型的视频物体检查进行详细的对比分析；
• 进行针对在行空板上的视频物体检测进行代码编写和优化；
• 对不同模型的帧率对比测试。

Note: 因为视频物体检测和图片物体检测用的是相同的模型，所以在检测准确性上不会有区别，所以检测结果的准确性可以直接参考以行空板上YOLO和Mediapipe图片物体检测的测试（中文）所做的测试。

yolo视频物体检测

不同onnx模型导出设置的表现对比

设置和代码

导出onnx模型的官方代码为：

from ultralytics import YOLO

# Load a pretrained YOLOv10n model
model = YOLO("yolov10n.pt")

#export onnx
model.export(format='onnx')

yolo系列模型在使用官方代码导出onnx格式模型的时候，有几个不同的选项：

• 其中，dynamic与imgsz不兼容；dynamic与half不兼容。

我们将分别对这几个选项的不同组合进行对比测试，分辨率都采用640。共包括以下模型：

测试结果

对不同设置的模型进行行空板+USB摄像头的视频物体检测测试，结果如下：

分析

通过测试结果的统计，可以分析得到以下特点：

• dynamic设置可以略微减小模型大小，也会略微降低运行速度；
• simplify也可以略微减小模型大小，但极不显著，也会略微降低运行速度；
• 如果simplify和dynamic同时开启，不如值开启dynamic在模型尺寸上减少的明显；
• half设置并没有速度上的提升，反而有降低，这是因为行空板没有半精度优化的硬件支持。

小结

1. 如果能事先知道输入图片的尺寸，就不要使用任何参数设置，只用imgsz设置图片尺寸；
2. 如果实现不知道图片输入的尺寸，就使用dynamic=True；
3. 不要设置half=True和simplify=True

不同尺寸输入的表现对比

yolo的测试结果

分析

可以看出，随着输入尺寸的减小，帧率显著提高。

yolov10n的帧率比yolov8n略高10%左右，同时模型大小减少25%。

小结

• 对于视频检测，在行空板上以128的分辨率运行勉强可以使用；
• 建议选择yolov10n，相较v8，内存占用和速度方面都有优势。

Mediapipe视频物体检测

设置

针对Mediapipe中的三个模型，我们分别测试了非量化和int8量化下的不同分辨率。

分辨率包括：

640、448、320、256、128

测试结果

小结

• 与图片的目标检测结果类似，不同的分辨率对这些模型而言没有影响；
• 对于efficientdet_lite0和efficientdet_lite2，int8量化可以显著提速；int8量化对于ssd_mobilenet_v2没有影响

视频物体检测总结

我们在统计测试后发现了以下特点：

• yolo系列随着图片分辨率下调，检测耗时显著减少；而Mediapipe不明显。这说明在小分辨率图片检测中，yolo系列有显著的速度优势；
• det的两个模型进行int8量化之后速度显著提升，几乎不会损失准确性；
• Mediapipe的模型在较大分辨率的时候相比yolo有显著的速度优势，但是准确性略低一点。在应用的时候，需要在准确性和速度上进行权衡。

模型选择建议

• 限于视频帧率问题，我们认为最多使用320分辨率，使帧率达到1；
• 如果物体较近或者较大，在低分辨率图片上也可以方便地提取特征，这种情况下推荐使用较低分辨率而速度较快的模型，如64帧率的yolov8n；
• 如果物体较远或者物体较小，则需要分辨率更高才能提取到足够的特征，这种情况下推荐选择yolov10n。如果需要更高分辨率的图片，而且可以接收帧率较低，可以采用ssd_mobilenet_v2.tflite模型。可以参考下面的流程来选取模型：

附录

使用yolov10n视频检测的代码

行空板+USB摄像头使用yolov10n进行物体检测的代码代码如下：

import cv2
import numpy as np
import onnxruntime as ort
import yaml
import time 

def preprocess(frame, input_size):
    #这里的resize使用nearest，可以提速大约0.3-0.5帧
    image = cv2.resize(frame, input_size,interpolation=cv2.INTER_NEAREST)
    # 转换图片到数组
    image_data = np.array(image).transpose(2, 0, 1)  # 转换成CHW
    image_data = image_data.astype(np.float32)
    image_data /= 255.0  # 归一化
    image_data = np.expand_dims(image_data, axis=0)  # 增加batch维度
    return image_data

def postprocess(output, image, input_size, show_size, classes):
    for detection in output:
        x1, y1, x2, y2, conf , class_id = detection
        if conf > 0.4:
            x1 = int(x1 / input_size[0] * show_size[0])
            x2 = int(x2 / input_size[0] * show_size[0])
            y1 = int(y1 / input_size[1] * show_size[1])
            y2 = int(y2 / input_size[1] * show_size[1])
            class_id = int(class_id)  
            cv2.rectangle(image, (x1, y1), (x2, y2), (255, 0, 0), 2)  # 画框
            class_name = classes[class_id]
            cv2.putText(image, class_name, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
    return image

def main():
    input_size = (128, 128)

    with open('ultralytics/cfg/datasets/coco.yaml', 'r', encoding='utf-8') as f:
        data = yaml.safe_load(f)
    classes = data['names']

    window_name = 'FullScreen Image'
    cv2.namedWindow(window_name, cv2.WINDOW_NORMAL) 
    cv2.setWindowProperty(window_name, cv2.WND_PROP_FULLSCREEN, cv2.WINDOW_FULLSCREEN)
    # 加载模型
    session = ort.InferenceSession('yolov10n.onnx')
    input_name = session.get_inputs()[0].name

    # 打开摄像头。
    cap = cv2.VideoCapture(0)
    if not cap.isOpened():
        print("Cannot open camera")
        exit()
    prev_time = 0
    while True:
        ret, frame = cap.read()
        show_size = [320,240]

        if not ret:
            print("Can't receive frame (stream end?). Exiting ...")
            break
        current_time = time.time()
        # 预处理图像
        input_tensor = preprocess(frame, input_size)

        # 进行推理
        outputs = session.run(None, {input_name: input_tensor})
        output = outputs[0][0]

        # 后处理
        show_image = postprocess(output, frame, input_size, show_size, classes)

        fps = 1.0 / (current_time - prev_time)
        prev_time = current_time  # 更新前一帧的时间
        cv2.putText(show_image, f"FPS: {fps:.2f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)

        # 显示结果
        cv2.imshow(window_name, show_image)
        if cv2.waitKey(1) == ord('q'):
            break

    # 释放资源
    cap.release()
    cv2.destroyAllWindows()

if __name__ == '__main__':
    main()

使用Mediapipe视频检测的代码

行空板+USB摄像头使用Mediapipe进行物体检测的代码代码如下：

import numpy as np
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision
import cv2
import time

input_size = (640,640)
# STEP 1: Import the necessary modules.
base_options = python.BaseOptions(model_asset_path='efficientdet_lite0.tflite')
options = vision.ObjectDetectorOptions(base_options=base_options,
                                       score_threshold=0.5)
detector = vision.ObjectDetector.create_from_options(options)

# STEP 2: Create an ObjectDetector object.
MARGIN = 10  # pixels
ROW_SIZE = 10  # pixels
FONT_SIZE = 1
FONT_THICKNESS = 1
TEXT_COLOR = (255, 0, 0)  # red

def visualize(image, detection_result) -> np.ndarray:
    """Draws bounding boxes on the input image and return it.
    Args:
      image: The input RGB image.
      detection_result: The list of all "Detection" entities to be visualize.
    Returns:
      Image with bounding boxes.
    """
    for detection in detection_result.detections:
        # Draw bounding_box
        bbox = detection.bounding_box
        start_point = bbox.origin_x, bbox.origin_y
        end_point = bbox.origin_x + bbox.width, bbox.origin_y + bbox.height
        cv2.rectangle(image, start_point, end_point, TEXT_COLOR, 3)

        # Draw label and score
        category = detection.categories[0]
        category_name = category.category_name
        probability = round(category.score, 2)
        result_text = category_name + ' (' + str(probability) + ')'
        text_location = (MARGIN + bbox.origin_x,
                         MARGIN + ROW_SIZE + bbox.origin_y)
        cv2.putText(image, result_text, text_location, cv2.FONT_HERSHEY_PLAIN,
                    FONT_SIZE, TEXT_COLOR, FONT_THICKNESS)

    return image

# STEP 3: Initialize the video capture from the webcam.
cap = cv2.VideoCapture(0)
prev_time = 0

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    frame = cv2.resize(frame, input_size, interpolation=cv2.INTER_NEAREST)
    # Convert the frame to the format required by MediaPipe.
    image = mp.Image(image_format=mp.ImageFormat.SRGB, data=frame)

    # STEP 4: Detect objects in the frame.
    detection_result = detector.detect(image)

    # STEP 5: Process the detection result. In this case, visualize it.
    annotated_frame = visualize(frame, detection_result)

    # Calculate and display the frame rate
    current_time = time.time()
    fps = 1 / (current_time - prev_time)
    prev_time = current_time
    fps_text = f'FPS: {fps:.2f}'
    print(fps_text)
    cv2.putText(annotated_frame, fps_text, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

    cv2.imshow('Object Detection', annotated_frame)

    # Break the loop if the user presses 'q'.
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# Release the resources.
cap.release()
cv2.destroyAllWindows()