ลอง YOLOv9 กับ Frigate เบา เร็ว แม่นยำ

จากบล็อกก่อนหน้า ลองเปลี่ยน Frigate มาใช้ YOLO-NAS แทน MobileNet
รอบนี้มาลองทดสอบ YOLOv9 กันบ้าง ว่าประสิทธิภาพและความเร็วต่างจาก YOLO-NAS แค่ไหน

Model	mAP (val)	Params	FLOPs	Latency	Reference
YOLO-NAS S	47.5	19.0 M	66.9 G	3.21 ms	👉 YOLO-NAS
YOLOv9-S	46.8	7.1 M	26.4 G	~3.0 ms	👉 YOLOv9

สรุป:
ขนาดทดสอบ: 640×640
YOLO-NAS S แม่นยำกว่าหน่อย (47.5 vs 46.8%)
YOLOv9-S เบากว่าเยอะ (Params และ FLOPs ลดลงกว่าครึ่ง)
Latency ใกล้เคียงกัน แต่ YOLOv9-S เหมาะกับ Edge Device มากกว่า

ตัวอย่าง docker-compose.yml

services:
  frigate:
    container_name: frigate
    restart: unless-stopped
    stop_grace_period: 30s
    image: ghcr.io/blakeblackshear/frigate:0.16.2
    shm_size: 64mb
    cap_add:
      - CAP_PERFMON
    group_add:
      - "104"
    devices:
      - /dev/dri/renderD128:/dev/dri/renderD128
    volumes:
      - /etc/localtime:/etc/localtime:ro
      - ./config:/config
      - ./storage:/media/frigate
      - type: tmpfs
        target: /tmp/cache
        tmpfs:
          size: 1000000000
    ports:
      - 5000:5000
    environment:
      - TZ=Asia/Bangkok

export model ออกมาเป็นไฟล์ yolov9-s-320.onnx และเก็บไว้ที่ config/model_cache

👉 Export YOLOv9 model

docker build . --build-arg MODEL_SIZE=s --build-arg IMG_SIZE=320 --output . -f- <<'EOF'
FROM python:3.11 AS build
RUN apt-get update && apt-get install --no-install-recommends -y libgl1 && rm -rf /var/lib/apt/lists/*
COPY --from=ghcr.io/astral-sh/uv:0.8.0 /uv /bin/
WORKDIR /yolov9
ADD https://github.com/WongKinYiu/yolov9.git .
RUN uv pip install --system -r requirements.txt
RUN uv pip install --system onnx==1.18.0 onnxruntime onnx-simplifier>=0.4.1 onnxscript
ARG MODEL_SIZE
ARG IMG_SIZE
ADD https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-${MODEL_SIZE}-converted.pt yolov9-${MODEL_SIZE}.pt
RUN sed -i "s/ckpt = torch.load(attempt_download(w), map_location='cpu')/ckpt = torch.load(attempt_download(w), map_location='cpu', weights_only=False)/g" models/experimental.py
RUN python3 export.py --weights ./yolov9-${MODEL_SIZE}.pt --imgsz ${IMG_SIZE} --simplify --include onnx
FROM scratch
ARG MODEL_SIZE
ARG IMG_SIZE
COPY --from=build /yolov9/yolov9-${MODEL_SIZE}.onnx /yolov9-${MODEL_SIZE}-${IMG_SIZE}.onnx
EOF

ตัวอย่าง /config/config.yml

go2rtc:
  streams:
    front_house:
      - rtsp://admin:[email protected]:554/stream1

mqtt:
  enabled: false

detectors:
  ov:
    type: openvino
    device: GPU

model:
  model_type: yolo-generic
  width: 320
  height: 320
  input_tensor: nchw
  input_dtype: float
  path: /config/model_cache/yolov9-s-320.onnx
  labelmap_path: /labelmap/coco-80.txt

ffmpeg:
  hwaccel_args: preset-vaapi
  input_args: preset-rtsp-restream
  output_args:
    record: preset-record-generic-audio-aac

cameras:
  front_house:
    ffmpeg:
      inputs:
        - path: rtsp://127.0.0.1:8554/front_house
          roles:
            - detect
    detect:
      enabled: true

record:
  enabled: true

Inference Speed อยู่ประมาณ 30 ms ประสิทธิภาพใกล้เคียง YOLO-NAS.

ตัวอย่างการทดสอบ YOLOv9-S 👇

@teeratech.com