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：

参数	类型	默认值	描述
imgsz	int or tuple	640	模型输入所需的图像大小。对于正方形图像可以是整数，对于特定尺寸可以是元组(高度，宽度)。
half	bool	False	支持FP16(半精度)量化，减少模型尺寸，并可能加快对支持硬件的推理。
dynamic	bool	False	允许ONNX和TensorRT导出的动态输入大小，增强处理不同图像尺寸的灵活性。
simplify	bool	False	简化ONNX导出的模型图，潜在地提高性能和兼容性。

• 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：

设置	代码
默认	model.export(format=‘onnx’, imgsz=640)
dynamic	model.export(format=‘onnx’, dynamic=True)
simplify	model.export(format=‘onnx’, simplify=True, imgsz=640)
simplify和dynamic	model.export(format=‘onnx’, simplify=True, dynamic=True)
half	model.export(format=‘onnx’, half=True, imgsz=640)
simlify和half	model.export(format=‘onnx’, simplify=True, half=True, imgsz=640)

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：

	模型大小	simplify	half	dynamic	imgsz	帧率
YOLOv10n	8.99MB	×	×	×	640	0.3029
YOLOv10n	8.86MB	×	×	√	×	0.3002
YOLOv10n	8.95MB	√	×	×	640	0.3009
YOLOv10n	8.95MB	√	×	√	×	0.3011
YOLOv10n	8.99MB	×	√	×	640	0.2999
YOLOv10n	8.95MB	√	√	×	640	0.3017

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

模型	模型大小	dynamic	imgsz	帧率
YOLOv10n	8.99MB	×	640	0.30
YOLOv10n	8.91MB	×	448	0.59
YOLOv10n	8.87MB	×	320	1.07
YOLOv10n	8.86MB	×	256	1.70
YOLOv10n	8.84MB	×	128	5.01
YOLOv8n	12.2MB	×	640	0.26
YOLOv8n	12.1MB	√	448	0.53
YOLOv8n	12.1MB	√	320	0.99
YOLOv8n	12.0MB	√	256	1.59
YOLOv8n	12.0MB	√	128	4.80
YOLOv8n	12.0MB	√	64	9.17

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

模型\分辨率	640	448	320	256	128	64
efficientdet_lite0	0.42	0.42	0.42	0.42	0.42	0.43
efficientdet_lite0_int8	0.85	0.85	0.85	0.85	0.85	0.86
efficientdet_lite2	0.13	0.13	0.13	0.13	0.13	0.13
efficientdet_lite2_int8	0.27	0.27	0.27	0.27	0.27	0.27
ssd_mobilenet_v2	0.61	0.61	0.61	0.61	0.61	0.61
ssd_mobilenet_v2_int8	0.61	0.61	0.61	0.61	0.61	0.62

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CHWimage_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_datadef postprocess(output, image, input_size, show_size, classes):for detection in output:x1, y1, x2, y2, conf , class_id = detectionif 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 imagedef 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 = 0while True:ret, frame = cap.read()show_size = [320,240]if not ret:print("Can't receive frame (stream end?). Exiting ...")breakcurrent_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 timeinput_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)  # reddef 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_boxbbox = detection.bounding_boxstart_point = bbox.origin_x, bbox.origin_yend_point = bbox.origin_x + bbox.width, bbox.origin_y + bbox.heightcv2.rectangle(image, start_point, end_point, TEXT_COLOR, 3)# Draw label and scorecategory = detection.categories[0]category_name = category.category_nameprobability = 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 = 0while cap.isOpened():ret, frame = cap.read()if not ret:breakframe = 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 ratecurrent_time = time.time()fps = 1 / (current_time - prev_time)prev_time = current_timefps_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()