yzfzzz/depth-detect

解决的问题

本项目实现了一个自行车智能后视镜系统。它结合物体检测与深度估计，以识别“快速接近”的车辆，满足实时危险检测的需求。它特别解决了在资源受限的嵌入式平台（如 NVIDIA Jetson）上运行这些计算密集型模型的挑战。

工作原理

该系统融合 YOLO 进行物体检测，以及多种深度估计模型（如 Depth-Anything、Lite-Mono 或 YOLO-Depth）。它通过监控深度是否随时间减少，同时边界框高度是否增加，来判断目标是否危险。

为了优化性能，它采用三种调度模式：

• 串行（Serial）：检测与深度估计依次执行。
• 重叠（Overlap）：两个模型使用 CUDA 流异步执行，以最大化 GPU 利用率。
• 交错（Stagger）：模型以不同间隔调度（例如，每帧检测，每 3 帧深度估计），重用先前结果以提高整体 FPS。

它使用 BYTETracker 进行多目标跟踪，并通过 TCP 以 JSON 格式报告警报。整个流水线使用 TensorRT 和 CUDA 加速。

适用对象

• 构建智能车辆安全系统或 ADAS（高级驾驶辅助系统）的开发者。
• 在 NVIDIA Jetson（TX2、Nano）或 x86 Linux 平台上从事嵌入式 AI 的工程师。
• 对 2D 检测与单目/双目深度估计的实时融合感兴趣的研究人员。

亮点

• 灵活调度：支持同步、异步重叠和交错推理，以平衡延迟与吞吐量。
• 嵌入式优化：完全兼容 Jetson TX2/Nano 和 x86，并具备 TensorRT FP16 加速。
• 危险检测：实现基于深度变化率和边界框增长的自定义“接近”逻辑。
• 稳健的 I/O：具备异步磁盘写入缓冲区，防止 I/O 瓶颈拖慢推理流水线。