无人机上仅使用CPU实时运行Yolov5(OpenVINO实现)（上篇）

最新推荐文章于 2024-02-27 14:59:10 发布
原创 最新推荐文章于 2024-02-27 14:59:10 发布 · 1.6k 阅读 · 11 ·
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：

#人工智能

本文介绍了如何在Intel平台上利用OpenVINO工具包部署Yolov5目标检测算法，通过详细步骤展示了从安装OpenVINO到转换和运行Yolov5模型的过程，强调了IntelCPU在实时性方面的优势以及OpenVINO对NUC平台的支持。

Intel CPU在运行视觉导航等算法时实时性要优于Nvidia等平台，如Jetson Tx2，NX。而Nvidia平台在运行深度学习算法方面具有很大优势，两种平台各有利弊。但是，Intel OpenVINO的推出允许NUC平台实时运行深度学习模型，如目前最流行的目标检测程序Yolov5，这样就太好了，仅使用Intel无人机平台就可以完成各种任务。本教程将教你用Prometheus在Intel无人机平台部署Yolov5目标检测。

先来个速度测试，仅使用Intel CPU，没有模型压缩与剪枝等算法，也不依赖其他任何加速硬件。

一、安装OpenVINO

官网教程：

https://docs.openvinotoolkit.org/latest/openvino_docs_install_guides_installing_openvino_linux.html

1. 下载安装包

地址：

https://software.intel.com/content/www/us/en/develop/tools/openvino-toolkit/download.html?operatingsystem=linux&distributions=webdownload&version=2021%203%20(latest)&options=offline

2. 如果之前安装过openvino，重命名或删除以下文件：

~/inference_engine_samples_build
~/openvino_models

3. 打开终端，解压安装包并进入解

最低0.47元/天 解锁文章
【计算机视觉】Openvino给yolov5目标检测提速实战
qq_43018832的博客
02-05 4427
要使用它，你需要一个预先训练好的深度学习模型，支持的格式有:TensorFlow、PyTorch、PaddlePaddle、MXNet、Caffe、Kaldi或ONNX，本文选用的是yolov5官方预训练模型yolov5n.pt，读者可以训练自己的预训练模型。模型优化器将模型转换为OpenVINO中间表示格式(IR)，稍后您可以使用OpenVINO™运行时进行推断。注意，模型优化器不推断模型。下图说明了部署经过训练的深度学习模型的典型工作流。
YOLOv5-Openvino和ONNXRuntime推理【CPU】
weixin_45679938的博客
02-27 1812
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包，主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块，除此之外它还具有强大的Plugin开发框架，允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为：Openvino前端→ Plugin中间层→ Backend后端。
YOLOv6-Openvino和ONNXRuntime推理【CPU】
weixin_45679938的博客
02-27 1726
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包，主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块，除此之外它还具有强大的Plugin开发框架，允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为：Openvino前端→ Plugin中间层→ Backend后端。
YOLOv5 windows CPU搭建
gjyntyyx的博客
07-16 2513
进入requirements.txt文件，复制第二行代码pip install -r requirements.txt，到终端中运行。打开cmd窗口，输入conda create -n yolov5 python=3.10，创建新的环境，避免配置时出错影响其他环境。如果该文件夹出现下列两个图片，则代表yolov5网络copy成功，后续可以尝试训练自己的数据集。可以在下面网站中下载作者训练好的权重文件，不同权重的识别效果不同，训练对应权重的时间也不同。选择解释器路径为刚创建的虚拟环境解释器。
在CPU上跑yolov5（详细步骤+适合入门）
热门推荐
weixin_54721509的博客
02-17 5万+
非常详细的步骤，适合新手，不要一天就可以跑通！
无人机上仅使用CPU实时运行Yolov5(OpenVINO实现)（下篇）
AI研究院
06-15 2115
从上面的实验数据来看，yolov5的帧率随着i3,i5,i7的增加而增加，随着7代，8代，9代CPU的增加而增加，随着电脑主频1.1GHz，1.6GHz，2.4GHz增加而增加。​上期中我们讲了Yolov5的前两节环境配置及简单运行，在本期中我们带来后面两节在不同处理器下的实验数据及如何训练自己的模型。为了查看Yolov5在不同设备上的延迟与效果，下面我们对Inter的i3、i5、i7三种处理器在同样的环境下做了实验。是自定义名称，我们这次标注的数据集仅有这2个类别。两个文件夹之后，我们就可以训练。
精选资源
C# yolov8 OpenVINO+ByteTrack Demo.rar
最新发布
05-29
综上所述，"C# yolov8 OpenVINO+ByteTrack Demo"项目是一个集成了C#编程、OpenVINO推理引擎、YOLOv8目标检测和ByteTrack追踪算法的综合性示例，旨在帮助开发者理解和实践在C#环境中实现高效的目标检测与追踪应用。...
精选资源
openvino版yolov5.zip
09-27
总之，结合OpenVINO的YOLOv5可以实现高性能的目标检测应用，尤其适合于需要实时性和高效率的场景，如智能安防、自动驾驶、无人机监测等。通过深入理解OpenVINO的工作原理和YOLOv5的架构，开发者可以更好地优化模型，...
精选资源
yolov8s-detect-openvino-model.rar
10-25
当YOLOv8s-Detect模型与OpenVINO结合时，可以极大地提升目标检测的应用效率，尤其适合于边缘计算和嵌入式设备，例如无人机、自动驾驶汽车、安防监控等领域。 在实际操作中，首先需要将YOLOv8s-Detect模型转换为Open...
无人机上仅使用CPU实时运行Yolov5？(OpenVINO帮你实现)（上篇）
AMOVLAB(阿木实验室)
05-27 2181
Intel CPU在运行视觉导航等算法时实时性要优于Nvidia等平台，如Jetson Tx2，NX。而Nvidia平台在运行深度学习算法方面具有很大优势，两种平台各有利弊。但是，Intel OpenVINO的推出允许NUC平台实时运行深度学习模型，如目前最流行的目标检测程序Yolov5，这样就太好了，仅使用Intel无人机平台就可以完成各种任务。本教程将教你用Prometheus在Intel无人机平台部署Yolov5目标检测。 先来个速度测试，仅使用Intel CPU，没有模型压缩与剪枝等算法，也不依赖
yolov5_cpp_openvino:用c++实现了yolov5使用openvino的部署
04-30
c++实现yolov5的OpenVINO部署 本文介绍了一种使用c++实现的,使用OpenVINO部署yolov5的方法. 此方法在2020年9月结束的极市开发者榜单中取得后厨老鼠识别赛题第四名. 2020年12月,注意到yolov5有了许多变化,对部署流程重新进行了测试,并进行了整理. 希望能给需要的朋友一些参考,节省一些踩坑的时间. 2021.2.27 注意到yolov5更新了4.0版本的release,该仓库不能直接使用，请git reset到v3.1对应的版本下使用. 如果有改好的兼容4.0版本的实现，欢迎提merge. 模型训练 1. 首先获取yolov5工程 git clone https://github.com/ultralytics/yolov5.git 本文编辑的时间是2020年12月3日,官方最新的releases是v3.1,在v3.0的版本中,官网有如下的声明 Au
openvino 使用 yolov5模型
青空coding
11-12 5842
大家好，我是青空 最近在折腾了一个yolov5的模型，然后想使用在openvino上使用。 Unknown model format! Cannot find reader for model format: onnx and read the model: last.onnx. Please check that reader library exists in your PATH.
在CPU上跑yolov5【2】
m0_53263069的博客
02-16 1308
比如这边显示的是cp37-cp37m-win_amd64，所以我下载opencv_python-3.4.10.37-cp37-cp37m-win_amd64.whl并放在C:\Users\Berries目录下【放在哪个目录下取决于conda info -e中对应环境在哪个目录下，】，然后在对应环境执行pip install opencv_python-3.4.10.37-cp37-cp37m-win_amd64.whl，再看import cv2不报错了。进行pip操作的时候，一定要关闭vpn！
openVINO部署YOLOv5
xuider的博客
11-13 9226
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 本人第一次接触openvion部署，因工作需要，需要一款CPU加速工具去部署我们的模型。在网上翻箱倒柜找到了这个openvion。本着对工作严谨认真的态度，我努力研究了一早上，下午开始准备干的时候，这个时候才发现噩梦才刚刚开始。 话不多说，咋们直接开始从头来搞一遍。 记录的大概内容： 例如：随着人工智能的不断发展，
【Yolov5】深度模型进行训练-CPU版
h609232722的专栏
02-22 2390
【代码】【Yolo5】深度模型进行训练-CPU版。
在CPU上跑YOLOv5【3】——让yolov5跑起来
m0_53263069的博客
02-18 3087
发布的前两篇笔记主要是我再安装配置环境方面遇到的坑的总结，（其实在发布完后，运行detect.py还是遇到了不少错误）。今天第一次让detect.py顺利跑起来了！总结一下整个过程。(其实我也有很多概念还不是很清楚，只是先记录一下成功的方法，方便回顾)先放一张detect.py运行成功截图：1、在git上将前面笔记说的yolov5项目压缩包下载好后，解压缩到自己指定的文件夹中，用Pycharm打开；2、python解释器，File->Settings->
【零基础玩转yolov5】yolov5训练自己的数据集（CPU训练+GPU训练）
罅隙的博客
10-04 2万+
2022年最新最全的yolov5训练自己的数据集教程，零基础的小白也可以快速上手。
当YOLOv5遇见OpenVINO
喜欢打酱油的老鸟
06-28 823
1YOLOv5网络 YOLOv5 于2020年6月发布！一经推出，便得到CV圈的瞩目，目前在各大目标检测竞赛、落地实战项目中得到广泛应用。 YOLOv5在COCO上的性能表现： YOLOv5代码链接：https://github.com/ultralytics/yolov5 YOLOv5一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x，其中性能依次增强。比如YOLOv5s模型参数量最小，速度最快，AP精度最低；YOLOv5x模型参数量最大，...
在CPU上进行完整版yolov5项目跟练记录
m0_59737255的博客
04-30 3318
接下来选择模型，由于数据集样本较少，所以选择精度更高的yolov5l，将yolov5-master\models路径下的yolov5l也复制进yolov5-master\catndog目录下，并重命名为yolov5l_cat.yaml。将yolov5-master\data路径下找到128.yaml文件，复制到yolov5-master\catndog目录下，为方便理解，将其重命名为cat.yaml。显卡匹配：我的设备是核显，没有独显，所以也用不了CUDA，因此选择在CPU上跑yolov5。
基于OpenVINO C++异步接口实现YOLOv10的高效CPU推理
首先，从标题“使用OpenVINO C++ 异步接口部署YOLOv10-在CPU上也能部署YOLOv10实现50+FPS推理-模型源码与依赖”可以看出，该项目的核心目标是在不依赖GPU的情况下，仅通过Intel CPU平台完成高性能的目标检测任务。...
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

打赏作者

AI研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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