OpenMV 嵌入式目标检测模型选型

OpenMV 嵌入式目标检测模型选型

在 OpenMV 嵌入式机器视觉开发中，目标检测是机器人竞赛、障碍物识别、物料分拣最常用的功能。很多开发者会混淆 YOLO 系列与 FOMO 的适用边界，选错模型直接导致帧率不足、内存溢出、项目无法实时运行。本文整理 OpenMV CSI API 固件内置 4 类 YOLO 模型，并补充 FOMO 轻量检测模型，同时解释嵌入式开发高频名词 NPU，提供完整横向对比与选型方案。

说明：全文面向嵌入式视觉开发者，侧重工程落地选型，弱化复杂理论推导，适合机器人竞赛、单片机视觉项目查阅。

一、YOLO 系列模型简介

YOLO 全称 You Only Look Once，中文释义：只看一次，属于单阶段目标检测算法。核心逻辑：输入整张图像，一次推理直接输出目标类别、边界框坐标、置信度，无需分区域候选，是嵌入式平台主流 AI 检测方案。OpenMV 新版 CSI 固件内置 4 套 YOLO 示例，差异集中在算力消耗、检测精度、适配硬件。

1. yolo_lc_person_detector.py（YOLO-LC）

定位：极简魔改 YOLOv2 阉割版本，面向无 NPU 老款 OpenMV（H7 / H7 Plus）纯 MCU 平台

• LC = Light Compact，官方针对单核单片机裁剪优化的 YOLOv2 变体
• 内置预训练模型仅支持行人检测，原生不支持其他物体识别
• 硬件适配：OpenMV H7、H7 Plus（无 NPU），纯 CPU TFLite 软件推理可运行
• 优缺点：模型体积最小，可在老硬件跑通；帧率偏低（2~5FPS），检测精度最弱，检测对象固定
• 适用场景：存量老 OpenMV 硬件，仅人形识别，无预算更换新款摄像头

2. yolo_v2_detector.py（YOLOv2 / Tiny YOLOv2）

定位：初代轻量化 YOLO，经典入门嵌入式检测算法（2016）

• 采用 Tiny-YOLOv2 轻量化分支，网络结构完整，支持自定义数据集训练任意目标
• 硬件适配：无 NPU 的 H7 可运行但帧率极差；推荐搭配带 NPU 的 OpenMV（Nano/N6/AE3）硬件加速
• 优缺点：开源教程丰富，调参资料多；算法老旧，小目标识别效果差，整体检测精度偏低
• 适用场景：深度学习视觉入门学习，简易标志物、大物体识别项目

3. yolo_v5_detector.py（YOLOv5）

定位：工业与机器人竞赛首选轻量 YOLO（2020，Ultralytics）

• 主流选用 YOLOv5n（nano）极小量化模型，支持目标检测、实例分割，训练部署工具链成熟
• 硬件适配：必须搭载 NPU 的 OpenMV（N6/Nano/AE3）；纯 H7 无 NPU 推理极慢，无法实时
• 优缺点：精度均衡，自定义训练流程完善，社区案例极多；模型体积大于 YOLOv2，依赖 AI 硬件加速
• 适用场景：智能车障碍物识别、竞赛视觉任务、小型工业在线检测（综合推荐）

4. yolo_v8_detector.py（YOLOv8）

定位：新一代通用 YOLO 框架（2023，Ultralytics）

• 支持五大任务：目标检测、实例分割、姿态关键点检测、图像分类、旋转框检测，采用 anchor-free 无锚框架构，调参简化
• 硬件适配：高性能 NPU OpenMV（N6/AE3），算力需求为 YOLO 系列最高
• 优缺点：同尺寸模型下精度优于 YOLOv5，功能最全；模型更大，对片上 RAM、NPU 算力要求更高
• 适用场景：关键点识别、物体分割、新项目完整开发，多任务融合视觉方案

二、FOMO 模型补充介绍

FOMO 全称 Faster Objects, More Objects，由 Edge Impulse 推出，是专为资源极度受限微控制器设计的轻量级目标检测算法，和 YOLO 设计思路完全不同，H7 无 NPU 单片机可实现高帧率检测。

FOMO 核心原理

传统 YOLO 需要回归目标 bounding box（框的 x,y,w,h）；FOMO 不输出完整边框，仅预测目标质心（中心点坐标）+ 类别置信度。 流程：图像下采样划分网格，每个网格判断是否存在目标，输出热力图，后处理提取目标中心点，大幅减少矩阵运算量，内存占用远低于 YOLO 系列。

• 骨干网络：常用 MobileNetV2(alpha=0.35)，模型极小，量化后仅几十~两百 KB
• 推理资源：可在小于 200KB RAM 的 MCU 运行，OpenMV H7 纯 CPU 可达 20~50FPS，N6 平台可突破 200FPS
• 训练方式：依托 Edge Impulse 云端平台标注训练，输出量化 TFLite 模型部署到 OpenMV

FOMO 优缺点

优势：极低算力、低内存、高帧率，无 NPU 的 H7 也能实时跑，训练标注简单，适合近距离、目标大小变化不大场景

局限：无法输出物体宽高边框；近距离重叠物体容易互相粘连误检；远距离小目标识别能力弱

FOMO 适用场景

智能车小球识别、赛道标志物定位、物料中心点抓取、H7 老硬件需要实时多目标检测项目。

重要区分：YOLO 适合需要获取物体长宽、做避障距离估算；FOMO 适合只需要目标中心点跟踪，追求极致帧率的场景。

三、全模型横向对比简表（含 FOMO）

示例/模型	原始版本	是否需要NPU	检测输出	识别精度	自定义训练	推荐场景
yolo_lc	魔改精简YOLOv2	无NPU可跑	完整边界框	最低	内置仅行人	老H7摄像头，仅行人检测
yolo_v2	YOLOv2 (Tiny)	推荐NPU	完整边界框	低	支持	入门学习，大目标简易识别
yolo_v5	YOLOv5 nano	需要NPU	完整边界框	中高	成熟完善	机器人竞赛、工业检测（综合首选）
yolo_v8	YOLOv8 nano	高性能NPU	边界框/分割/关键点	最高	功能最全	分割、姿态关键点、新项目开发
FOMO	Edge Impulse FOMO	无NPU可跑	目标中心点	中等	Edge Impulse训练	H7老硬件、中心点跟踪、追求高帧率

四、名词解析：NPU 是什么？

NPU（Neural Processing Unit）神经网络处理器，面向深度学习矩阵运算设计的专用硬件加速器，属于领域专用处理器（DSA）。

核心作用

CPU 是通用运算单元，擅长分支判断、逻辑控制；运行神经网络大量乘加矩阵运算时效率极低。NPU 硬件内置并行乘加阵列，专门加速 CNN、YOLO、FOMO 等深度学习模型推理，功耗更低、速度提升数十倍。

OpenMV 硬件区分

1. 无 NPU：OpenMV H7 / H7 Plus，仅 Cortex-M7 CPU，所有 AI 推理依靠软件 TFLite 实现，算力弱，仅支持 YOLO-LC、FOMO；YOLOv5/v8 运行卡顿超时
2. 搭载 NPU：OpenMV Nano / N6 / AE3（Ethos-U55 / Neural-ART），支持硬件加速 YOLOv5、YOLOv8，可实现 30FPS 以上实时检测

通俗总结：NPU = 摄像头内置 AI 显卡；没有 NPU，复杂 YOLO 模型跑不动。

五、补充常识：深度学习 YOLO/FOMO vs find_blobs 色块跟踪

1. find_blobs（LAB 色块识别）：帧率极高（几十~上百 FPS），仅依靠颜色阈值分割；复杂背景、光线变化极易干扰，无语义识别能力（分不清红色小球和红色纸片）

2. YOLO / FOMO 深度学习：具备语义识别，抗光照、复杂背景干扰强，可以区分同类颜色不同物体；算力消耗更大，依赖硬件性能

   选型优先级：能使用色块稳定识别优先 find_blobs；背景杂乱、需要区分物体种类，选用 FOMO / YOLO

六、选型建议

1. 硬件：老款 OpenMV H7（无NPU）
   • 只识别人：YOLO-LC
   • 需要自定义目标、高帧率中心点跟踪：FOMO
2. 硬件：新款 N6 / Nano / AE3（带NPU）
   • 常规竞赛障碍物识别，平衡难度与性能：YOLOv5
   • 需要分割、手势关键点、多任务：YOLOv8
3. 入门学习历史嵌入式方案：YOLOv2
4. 仅需中心点定位，追求超高帧率：FOMO

结语

OpenMV 视觉项目模型选型第一约束永远是硬件算力。优先确认摄像头是否带有 NPU，再结合项目需求判断是否需要物体完整边框，最终在 FOMO 与各版本 YOLO 之间取舍。自定义模型训练时，FOMO 依赖 Edge Impulse，YOLOv5/v8 使用 Ultralytics 原生训练框架，工具链差异较大，开发前提前规划数据集与部署流程。