树莓派5-yolo5部署

已于 2025-01-04 16:52:33 修改
阅读量538 收藏 2
点赞数 9
分类专栏： 树莓派5使用记录 YOLO学习记录 文章标签： 神经网络
于 2025-01-03 17:04:32 首次发布
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。
本文链接：https://blog.youkuaiyun.com/MR_Colorful/article/details/144913955
版权

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

【全流程】从头在树莓派4B上部署自己训练的yolov5模型（配合NCS2加速）
Spontaneous_0的博客
06-26 4868
最近这一个月基本没写过博客，因为一直在树莓派4B上部署yolov5的模型，已经数不清楚踩了多少坑了，来来回回折腾了一个月，终于完成了。于是写下这篇博客，一是记录下全部的流程，方便以后其他项目借鉴；二是希望和我一样有类似需求的朋友能少走些弯路。在此之前，我想先把一些重要的东西说在前面：1.在树莓派上部署自己训练的yolov5模型，和在电脑端运行pythondetect.py完完全全是两码事，差的不是一点半点。
在树莓派5部署yolov5模型
2301_80707725的博客
10-22 4329
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实时检测
最新发布
zi_Fei_yang的博客
03-13 708
​🚀 整个过程采用远程的方式，记录树莓派部署YOLOv5s的过程。
树莓派部署YOLOv5目标检测（详细篇）
热门推荐
qq_44231797的博客
09-25 2万+
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 1280
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。
树莓派5安装YOLOv8使用jupyterlab运行示例
weixin_41589183的博客
12-18 3453
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 2241
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！
树莓派06-树莓派yolo环境配置（1）
m0_51229211的博客
10-14 1306
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。
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...
树莓派部署Yolov5-Lite
CYFS3的博客
06-07 2631
yolov5-lite 1.5版本部署树莓派
独家 | 在树莓派+Movidius NCS上运用YOLO和Tiny-YOLO完成目标检测（附代码下载）
数据派THU
03-12 6460
作者：Adrian Rosebrock翻译：吴振东校对：郑滋本文约5000字，建议阅读10+分钟本文教你如何在树莓派和Movidius神经加速棒上运用T...
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 2984
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 2341
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
是哪一个小可爱来看我了
07-17 1950
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 3226
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 3326
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 4616
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。
YOLOv5lite+onnxruntime树莓派实时识别检测
CadyCady的博客
08-16 5086
树莓派运行YOLOv5-Lite
树莓派5 yolo
03-10
### YOLO在树莓派5上的安装与配置 对于希望在树莓派5上部署YOLO进行物体检测的任务而言，考虑到硬件资源有限以及性能优化的需求，建议采用轻量级模型如YOLOv3-tiny或者更现代但仍保持高效能功耗比的YOLO变体。由于目前并没有官方定义的“树莓派5”，假设这里指的是类似于树莓派4B甚至更高规格的新一代产品。 #### 创建Python虚拟环境并安装依赖库 为了确保不同项目之间的依赖项不会相互干扰，在开始之前应该先建立一个新的Conda虚拟环境： ```bash conda create -n yolov5 python=3.9 conda activate yolov5 ``` 接着可以按照具体使用的YOLO版本来决定后续步骤[^1]。 #### 获取YOLO源码及相关文件 针对YOLOv5来说，可以直接克隆GitHub仓库到本地，并根据README文档中的指导完成必要的设置工作；而对于较老一点的YOLOv3，则可能需要手动下载预训练好的权重文件以及其他辅助材料[^2]。 #### 编译Darknet框架（适用于YOLOv3） 如果选择的是基于C语言实现的传统Darknet框架而非PyTorch移植版的话，那么还需要额外执行编译操作。需要注意的是，原始形式下的YOLOv3完整版并不适合直接应用于ARM架构处理器之上，因此推荐选用已经过适配的小型化分支——`yolov3-tiny`作为替代方案。 #### 测试摄像头连接及图像采集功能 无论采取哪种方式构建YOLO应用系统，都离不开稳定可靠的视频输入流支持。可以通过简单的命令测试USB接口外接相机模块能否正常运作，确认无误后再继续深入开发阶段的工作。 #### 实现实时目标识别演示程序 最后一步就是编写脚本整合上述各个组件，从而达成预期效果。这通常涉及到读取来自摄像设备的画面帧数据、调用YOLO API来进行推理预测并将结果显示出来等环节。
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