树莓派5-yolo5部署

原创 已于 2025-01-04 16:52:33 修改 · 816 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络

于 2025-01-03 17:04:32 首次发布
Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

前言：

        yolo5不做任何调整直接部署在树莓派5中，运行仍有些卡顿，因此本文用于记录我在部署过程中所参考的文献以及所遇到的问题。

硬件：

        树莓派5-内存8g版本

工作一：使用export.py把pt格式模型输出为onnx模型

        参考链接：使用export.py把pt格式模型输出为onnx模型

        采用.pt运行效果如下：

采用.onnx运行效果如下：

        个人主观认为：两者暂时没有任何区别，暂时先试用.onnx，因后续要使用NCS2进行加速处理。

工作二：将YOLOv5的主干网络替换成MobileNetV3

        参考链接：YOLOv5改进系列（5）——替换主干网络之 MobileNetV3

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

树莓派部署YOLOv5模型
qq_42264030的博客
04-10 4975
树莓派部署YOLOv5模型进行图片和视频检测
树莓派06-树莓派yolo环境配置（1）
m0_51229211的博客
10-14 1737
我使用树莓派主要是用来进行yolo的目标检测。下面从配置环境开始，一步一步开展我的项目。，尽管还有很多版本可以选择，但是我是初学者，还是根据这个博客来写吧。
在树莓派5部署yolov5模型
2301_80707725的博客
10-22 5011
由于默认的下载源是在国外，下载或者更新文件的时候，经常会因为超时导致下载失败，所以推荐在下载或者更新之前，先修改下载源为国内的镜像，这里以阿里云镜像为例。默认的pt模型在模型在树莓派上检测速度会比较慢，为了提高检测的效率，一般把pt模型，转为onnx格式，因为它在对一些硬件进行了优化，加快检测速度。打开浏览器，输入网址下载对应的版本：https://docs.anaconda.com/miniconda/由于默认的下载镜像是在国外，下载包的时候会比较慢，所以一般都需要修改下载源，以此来提供下载速度。
树莓派部署YOLOv5目标检测（详细篇）
热门推荐
qq_44231797的博客
09-25 3万+
树莓派，YOLOv5,目标检测，树莓派摄像头，pip更换国内源
树莓派5部署yolo
weixin_50142645的博客
01-05 2311
本文旨在给出在树莓派5B以及目前最新的基于Debian version: 12 bookworm的raspberrypiOS上部署yolo的教程。不同于一些过时的教程，这篇教程中的方法会强调与老方法的不同点以及需要注意的坑。
anaconda 配置不同版本cuda方法
LMM_AI的博客
06-19 7813
方法1：在系统用软连接 方法2：在anaconda中独立设置运行环境 https://bluesmilery.github.io/blogs/a687003b/ 方法3：再尝试是否可以配置anaconda自带的cuda,暂时还不知道怎么弄
YOLOv9目标检测模型部署树莓派4b和树莓派5-基于ncnn框架（含转换好的模型+使用说明）.zip
12-03
本项目是针对YOLOv9目标检测模型在树莓派4b和树莓派5上部署的实践应用，项目内容涵盖了模型部署和性能基准测试。项目中使用的技术栈包括C++语言和OpenCV库，C++作为系统编程语言，具有高效的执行效率和良好的跨平台...
在树莓派上使用YOLO11推理
mx9818的博客
06-26 1652
摘要：Raspberry Pi因其低成本、紧凑性和多功能性，成为计算机视觉项目的理想平台。本文介绍了在Raspberry Pi上安装Ultralytics YOLO模型的两种方法（Docker和非Docker），推荐使用YOLO11n/s等轻量模型。重点讲解了如何将模型转换为NCNN格式提升推理性能，以及通过Picamera2或TCP流实现摄像头实时推理的方案。最佳实践包括使用SSD替代SD卡、选择无图形界面系统、合理超频等优化措施，充分发挥Raspberry Pi在边缘计算中的潜力。（150字）
树莓派学习 -3 树莓派5安装miniconda 配置YOLOV5部署环境
weixin_63005821的博客
05-14 1814
树莓派5 官方系统安装miniconda
树莓派5安装YOLOv8使用jupyterlab运行示例
weixin_41589183的博客
12-18 3825
YOLOv8，这是备受好评的实时目标检测和图像分割模型的最新版本。YOLOv8基于深度学习和计算机视觉的前沿进展，提供了无与伦比的速度和准确性表现。它的精简设计使其适用于各种应用，并且可以轻松适应不同的硬件平台，从边缘设备到云API。我们使用树莓派5来探索YOLOv8，看一看她在机器学习上的潜力。JupyterLab是Jupyter Notebook的全面升级。事实上，JupyterLab 是一个集 Jupyter Notebook、文本编辑器、终端以及各种个性化组件于一体的全能IDE。
树莓派部署yolov5
m0_73862068的博客
11-23 2441
在这篇博客中，我们详细介绍了如何在树莓派上部署 YOLOv5。安装操作系统。配置环境。下载 YOLOv5 的源代码。转换模型格式为 .onnx。使用 Python 程序加载模型并进行推理。部署 YOLOv5 在树莓派上可以帮助您实现实时目标检测，并将其应用于各种项目和应用中。希望这篇博客对您有所帮助，并能引导您成功地在树莓派上部署 YOLOv5。如果您在实践过程中遇到任何问题，欢迎在评论区留言，我将尽力提供帮助。祝您在树莓派上的 YOLOv5 部署顺利，并取得令人满意的结果！
物品识别 树莓派 5 YOLO v5 v8 v10 11 计算机视觉
终日而思不如须臾所学。
12-04 4007
让树莓派可以识别身边的一些物品，比如电脑，鼠标，键盘，杯子，行李箱，双肩包，床，椅子等。
树莓派部署yolov5实现目标检测（ubuntu22.04.3）
zstu_zhoubenshan的博客
04-04 2620
查看树莓派ip，直接查看连接热点的设备，最后去WinSCP官网https://winscp.net/eng/download.php下载软件即可，注意传文件的时候需要电脑和树莓派连着同一个热点。把刚转好的三个包移动到与pytorch同一目录下(/home/用户名/)，解压yolov5-5.0。最近两天搞了一下树莓派部署yolov5，有点难搞（这个东西有点老，版本冲突有些包废弃了等等）安装完成后，到这里部署已经基本完成了,后面是检测的部分了。（遇到y/n，输入y+回车）
5分钟极速｜YOLOv5部署｜Windows Linux 树莓派
是哪一个大佬来看我了
07-17 2499
5分钟极速部署YOLOv5，让你早点休息！
树莓派5部署自己训练的YOLOv8模型记录
2301_78674831的博客
08-24 4846
但没有AI算力的树莓派5跑yolov8还是逊...只有大概0.3fps,笔者最近也入手了Hailo-8l,得先将pt文件转为onyx文件再通过Hailo官方的DFC(数据流编译器)转化为其支持的hef文件,待我再摸索几日......注册个账号 然后把这小玩意(RealVNC viewer)下了,登录账号后让树莓派连接你的电脑热点,再输入Pi的IP地址, 输入密码就可以进入Pi的图形界面了(记得在Pi先开启VNC权限,初始配置网上有很多资料)点Start Auto label。Part1:连接自己的树莓派。
树莓派5进行YOLOv8部署的4种不同部署方式检测速度对比：pytorch、onnx、ncnn、tflite
阿旭的博客
08-03 4597
树莓派5进行YOLOv8部署的4种不同部署方式检测速度对比：pytorch、onnx、ncnn、tflite
【树莓派5+AI_KIT】基于hailo模块转换重新训练的YOLO模型
2301_76725922的博客
11-17 7611
本篇主要分享树莓派5B+AI_KIT基于hailo模块转换重新训练的yolov8、yolov10模型（也即pt格式的模型转为hef格式的模型）过程中存在的坑和需要用到的步骤，关于训练和部署部分不做详细展开。
树莓派部署Yolov5-Lite
CYFS3的博客
06-07 3421
yolov5-lite 1.5版本部署树莓派
树莓派5部署YOLO
最新发布
08-06
在树莓派5上部署YOLO模型进行目标检测，需要经过环境准备、模型转换、推理代码编写等多个步骤。以下是详细的部署流程： ### 环境准备 首先，确保树莓派5的操作系统已经安装好，并且可以联网。建议使用Raspberry Pi OS（64位版本）以获得更好的兼容性和性能。 1. **更新系统软件包**： ```bash sudo apt update sudo apt upgrade -y ``` 2. **安装Python3和pip**（如果尚未安装）： ```bash sudo apt install python3 python3-pip -y ``` 3. **安装YOLOv5所需的依赖**。进入YOLOv5项目的根目录后，使用以下命令安装依赖，建议使用清华源加速下载： ```bash pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ --use-deprecated=legacy-resolver ``` 4. **安装ONNX Runtime**，用于加载和推理ONNX格式的模型： ```bash pip install onnxruntime ``` ### 模型准备与转换 YOLOv5的原始模型是PyTorch格式的，为了在树莓派上运行，通常需要将其转换为ONNX格式。由于树莓派不支持FP16运算，因此不需要启用half精度优化[^2]。 1. **导出ONNX模型**。在训练环境中，使用YOLOv5提供的脚本将模型导出为ONNX格式： ```bash python export.py --weights yolov5s.pt --include onnx ``` 此命令会生成一个名为`yolov5s.onnx`的文件，位于当前目录下。 2. **将生成的ONNX模型复制到树莓派5**，可以使用SCP、USB存储设备或直接在树莓派上运行训练环境导出模型。 ### 推理代码编写 在树莓派上部署模型时，可以使用ONNX Runtime进行推理。以下是一个简单的推理示例代码： ```python import onnxruntime as ort import numpy as np import cv2 # 加载ONNX模型 session = ort.InferenceSession("yolov5s.onnx") # 获取模型输入输出信息 input_name = session.get_inputs()[0].name output_name = session.get_outputs()[0].name # 图像预处理函数 def preprocess(image): image = cv2.resize(image, (640, 640)) # 调整输入大小 image = image / 255.0 # 归一化 image = np.transpose(image, (2, 0, 1)).astype(np.float32) # HWC to CHW image = np.expand_dims(image, axis=0) # 添加batch维度 return image # 捕获摄像头视频流并进行推理 cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break # 预处理图像 input_data = preprocess(frame) # 进行推理 outputs = session.run([output_name], {input_name: input_data})[0] # 后处理逻辑（如NMS、绘制检测框等） # 此处省略具体实现，可根据YOLOv5的后处理方式进行补充 # 显示结果 cv2.imshow('YOLOv5 Detection', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` ### 模型优化与性能提升 为了在树莓派5上获得更好的推理性能，可以考虑以下优化措施： - **使用轻量级模型**：YOLOv5提供了多个版本，如`yolov5s`（small）、`yolov5m`（medium）、`yolov5l`（large）等。推荐使用`yolov5s`以获得更高的推理速度。 - **图像分辨率调整**：根据实际需求调整输入图像的分辨率，降低分辨率可以显著提升推理速度。 - **减少后处理复杂度**：YOLOv5的后处理通常包括非极大值抑制（NMS）等操作，可以通过调整阈值或简化算法来减少计算量。 ### 性能测试与调试 在实际部署过程中，建议对模型的推理速度和准确率进行评估。可以使用OpenCV的`getTickCount`和`getTickFrequency`函数来测量帧率： ```python start = cv2.getTickCount() # 推理过程 end = cv2.getTickCount() fps = cv2.getTickFrequency() / (end - start) print(f"FPS: {fps:.2f}") ``` 此外，还可以通过调整摄像头的分辨率、帧率等参数来进一步优化整体性能。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值