← 返回列表

YOLO 边缘部署：从训练到机载推理

#YOLO #Edge AI #Computer Vision

无人机目标检测项目中，模型选型、量化与 TensorRT 优化的实战经验。

背景

无人机机载检测需要在 30fps+ 和 mAP 不崩盘 之间找平衡。对比了 YOLOv8n/s 和 RT-DETRv2 几个变体。

选型结论

模型帧率 (Jetson)mAP备注
YOLOv8n~45fps够用首选部署
YOLOv8s~28fps更好算力够时升级
RT-DETRv2~35fps均衡transformer 路线值得跟踪

优化路径

  1. 导出 ONNX — 统一中间格式
  2. TensorRT FP16 — 通常 1.5–2× 加速
  3. 输入分辨率 — 640→512 是性价比最高的降档点
  4. 批处理 — 机载场景 batch=1，别幻想

跟踪层

检测只是第一步。地图坐标系下的 ByteTrack 关联让轨迹更稳定，尤其在目标短暂遮挡时。

踩坑

  • 训练集和部署场景的 光照/高度分布 不一致 → 域偏移
  • NMS 阈值在边缘端和训练端要对齐
  • 第一帧延迟（冷启动）容易被忽略