物件偵測是電腦視覺技術中一項極為重要且快速發展的領域，而 YOLO (You Only Look Once) 則是物件偵測中最熱門的框架之一。目前最新的版本為 YOLO v5、v7 與 v8，本文將比較這幾個版本在 NVIDIA Jetson AGX Orin 32GB 邊緣運算裝置 (目前市面上最強大的嵌入式 AI 電腦)，以及 RTX 4070 Ti 顯示卡上的執行效能。歡迎詳閱本文，找出哪一款 YOLO 最符合您的需求喔！
註：本文經ZED同意之後翻譯(原文連結)
YOLO v5, v7 與 v8 在 Jetson AGX Orin 上的執行效能
每當有新的 YOLO 問世，我們心中的第一個問題總是：
要不要升級到最新的版本？
多數情況下，各類 benchmark 都是在 A100 這類高階 GPU 上來測試，與實際用於生產的嵌入式 GPU 相差甚遠。再者，即便大家都知道 TensoRT 可有效對大多數的神經網路進行最佳化，但實際上很少用到。最後，將 YOLO v7 與 Ultralytics v5 / v8 進行比較的 benchmark 也不太多。
因此，Stereolabs (ZED景深攝影機製造商) 於2023年初，針對 YOLO v5、YOLO v7 與 YOLO v8 在 AGX Orin 推出了完整的 COCO benchmark (與實際延遲時間進行比較)，使用 TensorRT 8.4 與 JetPack 5。結果如下：
另一方面，也針對 NVIDIA Jetson AGX Orin (JetPack 5) 與 RTX 4070 Ti (Batch 1, TRT8.4, FP16) 上以 640 解析度來執行所有 YOLOv8、YOLOv5 與 YOLOv7 模型，詳細結果如下：
| MODEL | AP | AP0.5 | AGX ORIN (FPS) | RTX 4070 TI (FPS) |
|---|---|---|---|---|
| v5n | 28 | 45.7 | 370 | 934 |
| v8n | 37.3 | 52.5 | 383 | 1163 |
| v7-tiny | 37.4 | 55.2 | 290 | 917 |
| v5s | 37.4 | 56.8 | 277 | 877 |
| v8s | 44.9 | 61.8 | 260 | 925 |
| v5m | 45.4 | 64.1 | 160 | 586 |
| v8m | 50.2 | 67.2 | 137 | 540 |
| v5l | 49 | 67.3 | 116 | 446 |
| v7 | 51.2 | 69.7 | 115 | 452 |
| v8l | 52.9 | 69.8 | 95 | 391 |
| v5x | 50.7 | 68.9 | 67 | 252 |
| v7x | 52.9 | 71.1 | 77 | 294 |
| v8x | 53.9 | 71.0 | 64 | 236 |
以下是一些有趣的結果：
- 就相同執行階段而言，所有 v8 模型的 mAP 都比 v5 提升了 4 到 9 左右。
- v8m 與 v8l 在 mAP(mean Average Precision) 與推論速度上已優於 v5l 與 v5x。
- 就準確率與推論速度來說，v8n 是最佳的輕量化模型。
- YOLO v8 (目前為止) 尚未提供以 1280 解析度來訓練的模型，因此在可小幅降低推論速度但講求高解析度的情境下，YOLO v7 仍是推論的最佳方案。
將 YOLO 結合數位雙生技術( Digital Twin)
新款的 YOLOv8 相較於傳統的 YOLOv5 物件偵測器有長足的改進。已從諸多產業看到一股明顯的趨勢，就是將景深影像整合 YOLO 技術，例如 ZED 2i 景深攝影機。這款攝影機可讓在空間中定位與追蹤人體/物體的成效更上一層樓。以下影片是將 YOLO 整合 ZED 2i 景深影像 (其中用到了 ZED SDK) 的即時數位雙生影片，也可以看到物體的 3D 邊界框(bounding box)：
總結
由上可知，本文所提的三種 YOLO 版本 (v5, v7, v8) 在 Jetson Orin 上都有相當亮眼的表現。但根據本文測試，YOLO v8 看起來是其中成效最好的一款。不論是執行於 Orin 與 RTX 4070 Ti，YOLO v8 的所有變體針對 COCO 資料集的 mAP 都優於 v5。如果您還在尋找某一款又快又可靠的物件偵測框架的話，YOLO v8 應該是您的最佳選擇。
藉由在 ZED SDK 中加入自定義物件，您就能把新款的 YOLO v8 搭配 ZED 景深攝影機來取得物體的 3D 邊界框。
