DepthAI v2 has been superseded by DepthAI v3. You are viewing legacy documentation.
此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • YOLO 模型简介
  • 在 DepthAI 上开始使用 YOLO
  • YOLO 集成概述
  • 示例实现
  • 使用 DepthAI 进行 YOLO 实验
  • 训练和自定义
  • 使用 tools.luxonis.com 进行模型转换
  • 许可证
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包

Luxonis DepthAI 上的 YOLO 模型实现实时目标检测

最后更新

YOLO 模型简介

YOLO (You Only Look Once) 是一系列实时目标检测模型,以其速度和准确性而闻名。与传统的目标检测方法不同,YOLO 模型在多个位置和尺度上对图像应用模型,将目标检测视为回归问题。它们通过一次评估直接从完整图像中预测边界框和类别概率,从而实现快速高效的目标检测,适用于实时应用。最初的 YOLO 模型主要用于目标检测,而新版本则支持多头任务,如关键点检测、分割等。
Object Detection

在 DepthAI 上开始使用 YOLO

YOLO 集成概述

DepthAI 支持解析 YOLO 模型输出(包括非极大值抑制等后处理)并将其转换为标准 DepthAI 消息格式(ImgDetections)。这使得 YOLO 模型能够高效地集成到 DepthAI 设备并进行处理。YOLO 模型主要使用以下两个节点:

示例实现

为了帮助您入门,请参考以下示例实现:

使用 DepthAI 进行 YOLO 实验

DepthAI 支持各种 YOLO 模型,用于通过设备端和主机端解码方法进行目标检测。您可以在 OAK 示例存储库中找到几个演示和示例,其中包括:
  • device-decoding:使用 YOLOv3、YOLOv3-tiny、YOLOv4、YOLOv4-tiny 和 YOLOv5 进行通用目标检测,采用设备端解码。使用 DepthAI-API。
  • car-detection:使用 YOLOv3-tiny 和 YOLOv4-tiny 模型进行汽车检测,采用设备端解码。使用 DepthAI-SDK。
  • host-decoding:使用 YOLOv5 进行目标检测,采用主机端解码。
  • yolox:使用 YOLOX-tiny 进行无锚点目标检测,采用主机端解码。
  • yolop:在 OAK 上使用 YOLOP 进行车辆检测、道路分割和车道分割,采用主机端解码。
这些示例展示了如何在 DepthAI 设备上运行不同的 YOLO 模型,并支持设备端和主机端解码。

训练和自定义

如果您希望根据特定需求训练或微调 YOLO 模型,以下资源将指导您完成整个过程:

使用 tools.luxonis.com 进行模型转换

Luxonis 在 tools.luxonis.com 提供了一套强大的工具,可让您轻松地将训练好的 YOLO 模型转换为与 DepthAI 兼容的格式。此工具对于将 PyTorch 中训练的 YOLO 模型(.pt 文件)转换为 OpenVINO 格式特别有用,然后可以将其转换为 DepthAI .blob 文件。

许可证

集成到 DepthAI 中的每个 YOLO 模型版本都可能有其自己的许可条款。请查看您正在使用的模型的相应许可证: