边缘计算设备部署YOLOv8实现实时路面坑洼检测

1. 项目概述：边缘设备上的目标检测实战

在智慧城市和道路维护领域，实时检测路面坑洼一直是个技术难点。传统方案要么依赖人工巡检效率低下，要么采用云端处理存在延迟高、隐私泄露风险。这次我们尝试在Luxonis OAK-D-Lite这款边缘计算设备上部署YOLOv8模型，实现本地化的坑洼检测方案。

OAK-D-Lite是款自带AI加速的嵌入式视觉设备，搭载英特尔Myriad X VPU芯片，功耗仅2W左右却能实现4TOPS算力。配合YOLOv8这个最新一代轻量级目标检测框架，正好组成"强算法+专用硬件"的黄金搭档。我们选用了公开的Pothole Dataset进行训练，最终模型大小仅5.8MB，在OAK设备上跑出了23FPS的实时性能。

2. 核心组件选型解析

2.1 为什么选择YOLOv8？

2023年发布的YOLOv8在保持YOLO系列实时性的基础上，通过以下改进特别适合边缘部署：

• 无锚点设计：简化了输出头结构，模型参数减少15%
• C2f模块：替换原来的C3模块，增强特征融合能力
• 动态标签分配：训练时自动优化正负样本比例

实测对比其他版本：

2.2 OAK-D-Lite硬件优势

这款设备有三个关键特性使其成为理想选择：

1. 异构计算架构：4K摄像头+Myriad X VPU+ARM处理器协同工作
2. 内置深度感知：通过双目摄像头实现立体视觉
3. 极低功耗设计：典型功耗2-3W，可电池供电运行

注意：Myriad X芯片对模型格式有特殊要求，需要先导出OpenVINO IR格式

3. 完整部署流程

3.1 数据准备与增强

使用Pothole Dataset的5500张标注图像，我们做了针对性增强：

python复制# Albumentations增强管道示例
transform = A.Compose([
    A.RandomRain(p=0.3),  # 模拟雨天场景
    A.RandomShadow(p=0.2),
    A.HueSaturationValue(hue_shift_limit=20, sat_shift_limit=30, val_shift_limit=20),
    A.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2),
], bbox_params=A.BboxParams(format='yolo'))

3.2 模型训练关键参数

使用YOLOv8n预训练模型进行微调：

yaml复制# yolov8-pothole.yaml
lr0: 0.01
lrf: 0.01
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3
warmup_momentum: 0.8
box: 7.5
cls: 0.5
dfl: 1.5

3.3 模型转换与优化

将PyTorch模型转换为OpenVINO格式：

bash复制yolo export model=yolov8n-pothole.pt format=openvino imgsz=640

然后使用OpenVINO的模型优化器：

bash复制mo --input_model yolov8n-pothole.xml --compress_to_fp16

4. OAK设备端部署

4.1 DepthAI管道配置

创建自定义推理管道：

python复制pipeline = depthai.Pipeline()
cam = pipeline.create(depthai.node.ColorCamera)
cam.setPreviewSize(640, 640)
cam.setInterleaved(False)

detection_nn = pipeline.create(depthai.node.YoloDetectionNetwork)
detection_nn.setBlobPath("yolov8n-pothole.blob")
detection_nn.input.setBlocking(False)

4.2 性能优化技巧

1. 输入分辨率选择：640x640比320x320精度高8%，但帧率下降35%
2. 后处理优化：将NMS操作移到VPU执行
3. 内存复用：启用DepthAI的memory pooling功能

实测性能：

5. 常见问题与解决方案

5.1 模型转换错误

问题现象：导出OpenVINO时报错Unsupported ONNX opset version 17

解决方法：

python复制torch.onnx.export(..., opset_version=12)  # Myriad X最高支持opset 12

5.2 推理结果异常

典型表现：检测框位置偏移或尺寸错误

排查步骤：

1. 检查训练时--rect参数是否与部署时一致
2. 验证输入图像的归一化方式（RGB vs BGR）
3. 确认anchor-free模式下的grid对齐设置

5.3 设备发热问题

当环境温度超过35°C时，建议：

1. 添加散热片（尺寸不小于20x20mm）
2. 降低摄像头帧率到15FPS
3. 关闭未使用的传感器（如IMU）

6. 实际部署建议

在真实道路场景中，我们总结了这些经验：

1. 安装角度：摄像头与地面呈45°角时检测效果最佳
2. 光照补偿：开启autoexposure的同时锁定白平衡
3. 多设备协同：每200米部署一个节点，通过LoRa回传检测结果

经过三个月实地测试，系统在晴天检测准确率达到89%，雨天降至76%。后续计划加入时序分析模块，通过多帧检测提升鲁棒性。这个方案同样适用于井盖缺失、道路裂缝等基础设施检测场景。