趙珩宇(Henry)

[實作筆記] 高效能物件偵測模型測試報告

近期因爲其他老師討論一些專案，因此把以前的Open CV拿出來用一下，發現真的不太順，因此查了一下近期還有哪些不錯的模型可以使用？結果真的是科技日新月異，都不一樣了，有很多新出來的模型真的頗好用的。

這邊拿了幾個搜尋起來大家比較推薦的視覺辨識模型（OpenCV, YOLOv11 Pose, YOLOv11n, RT-DETR）來測試一下，分別針對運作時的「FPS (幀率)、Inference Time (推論時間)、物件偵測數量以及系統資源使用率」進行比較。

效能測試結果分析

直上結果，從折線圖與統計數據中，我們可以觀察到明顯的差異（測試環境：MacBook Pro M4 16G）：

1. 速度與幀率（FPS）（說明：越快越好）

  • YOLOv11n（Nano） 表現最優異，平均 FPS 達到 44.1 FPS，推論時間僅需 22.7 ms。這顯示 Nano 版本非常適合需要高即時性的應用。
  • YOLOv11 Pose 緊追在後，平均 FPS 約 39.9 FPS，在進行姿態估計的同時仍保持極高的流暢度。
  • OpenCV 平均約 29.7 FPS，速度中規中矩。
  • RT-DETR 明顯最慢，平均僅 2.7 FPS，推論時間高達 378 ms。這顯示該模型雖然精度高（詳見下方偵測數量），但運算負擔極大，若無高階 GPU 加速，難以應用於即時場景。

2. 偵測能力（Object Count）- 敏感度差異

  • RT-DETR（紅色線）偵測到的物件數量最多（平均 10-20 個），這可能意味著它的召回率（Recall） 較高，能抓到其他模型忽略的小物件或背景物體，但也需注意是否有誤判（False Positive）。
  • YOLOv11n（綠色線）相當穩定，持續偵測到約 8 個物件。
  • OpenCV（藍色線）偵測到的數量最少且波動大，這顯示傳統電腦視覺方法在複雜場景下的穩定性不如深度學習模型。

3. 系統資源（Resource Usage）

  • 我使用MAcBook Pro M4，為了確認系統穩定，因此還是記錄一下CPU等硬體使用率。CPU 使用率穩定維持在 30%-45% 之間，記憶體使用率則維持在 83% 左右，顯示測試過程系統負載相對穩定。

測試結論

  • 若追求極致速度與即時反應，YOLOv11n 是最佳選擇。
  • 若需要姿態資訊，YOLOv11 Pose 的效能損失非常小，CP 值很高。
  • RT-DETR 在此硬體配置下不適合即時應用，但其高敏感度適合用於後處理或靜態影像分析。
  • 而過去大家熟知的OpenCV，自己覺得就是時代眼淚了，當然很多影像辨識分析的基礎我還是需要安裝一下這個模型，但就真的是老前輩了。

然後我就請AI幫我說明一下，OpenCV和這次測試其他的模型，在架構上我應該如何思考他的差異？以下是說明：

流程 A：OpenCV (傳統方法)

這是一個「逐步拼接」的過程，每一步都需要人工調整參數。

原始圖片 ➔ 前處理 (轉灰階/去噪) ➔ 特徵提取 (尋找邊緣/角點/顏色) ➔ 分類器 (SVM/決策樹) ➔ 輸出結果

  • 關鍵技術： Canny 邊緣檢測、SIFT/ORB 特徵點、HOG (方向梯度直方圖)、Haar Cascades。
  • 你的角色： 你像個工匠，手動調整每個步驟的過濾器。

流程 B：深度學習 (YOLO/RT-DETR)

這是一個「黑盒子」過程，輸入圖片，直接輸出結果。

原始圖片 ➔ 深度神經網路 (數百層卷積運算) ➔ 輸出結果 (類別 + 位置)

  • 關鍵技術： CNN (卷積神經網路)、Transformer (注意力機制)、Backpropagation (反向傳播更新權重)。
  • 你的角色： 你像個教練，準備好教材 (資料集)，讓學生 (模型) 自己去學，你只負責看它考試成績 (Loss/mAP) 好不好。

發表留言