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：

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