无人机上仅使用CPU实时运行Yolov5(OpenVINO实现)（下篇）

最新推荐文章于 2025-10-16 05:56:08 发布
原创 最新推荐文章于 2025-10-16 05:56:08 发布 · 2.1k 阅读 · 7 ·
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：

#5G

文章对比了Yolov5在Inteli3,i5,i7以及11代i5处理器上的运行延迟和效果，展示帧率随处理器性能提升的趋势。同时，详细介绍了数据标注过程，包括使用SpireWeb或SpireImageTools进行标注，以及如何训练和部署自定义的Yolov5模型到OpenVINO平台。

​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。​

三、在不同处理器上的延迟与效果

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

1、 Intel® Core™ i3-8145UE CPU

按照上面流程配置好环境后，打开终端输入以下指令：

cd <path-to-Prometheus>/./Scripts/start_yolov5openvino_server.shroslaunch prometheus_detection yolov5_intel_openvino.launch

即可看到如下效果：

Yolov5在i3-8代上的测试

Yolov5在i3-8代上的延时

2、Intel® Core™ i5-8265U CPU

配置环境与输入指令与i3中相同，下面直接看测试效果

Yolov5在i5-8代上的测试

Yolov5在i5-8代上的延时

3、Intel® Core™ i7-8665UE CPU

配置环境与输入指令与i3中相同，下面直接看测试效果

最低0.47元/天 解锁文章
YOLOv11-Tiny：面向边缘设备的轻量级设计-（设计极简版YOLOv11，适配树莓派等低算力设备）
本博客聚焦 YOLOv11 全流程落地，涵盖架构优化、数据集处理、训练技巧与多场景部署，兼及国产数据库、Java 开发与 AI 模型应用，内容兼顾理论与工程实践，为开发者提供系统干货，助力高效提升技术能力。
08-23 5015
本文深入解析了YOLOv11-Tiny轻量级目标检测模型的架构设计与应用实践。首先阐述了其设计哲学：通过精简网络结构、优化计算效率和内存占用，在边缘设备上实现速度与精度的平衡。接着详细剖析了模型的三大部分：采用深度可分离卷积的轻量Backbone、简化特征融合的Neck结构，以及优化后的检测Head。文章特别强调了该模型针对资源受限场景（如树莓派、无人机等）的适配性，通过对比不同YOLO版本的性能定位，展示了YOLOv11-Tiny在实时性要求高且精度需求适中的应用优势。最后提供了从理论到部署的完整指南，帮
通过Yolov5使用ip摄像头实时监测（CPU）
2301_80282532的博客
01-04 2609
本文简单介绍Anaconda安装和虚拟环境搭建，yolov5的安装和简单使用，如何连接ip摄像头（CPU）实时检测。
在CPU上跑yolov5（详细步骤+适合入门）
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)（上篇）
AI研究院
06-15 1681
上面的环境部署到此结束，也欢迎关注开源自主无人机项目“Prometheus”，在此附上链接 “https://github.com/amov-lab/Prometheus.git”。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，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。## 目标位置[相机系下：右方x为正，下方y为正，前方z为正]## 目标姿态-欧拉角-(z,y,x)
Ubuntu16.04LTS Yolov5 仅CPU版本安装
qq_43769747的博客
04-09 1863
【安装时间】2021年4月，使用的yoloV5版本是github上最新的版本，如果后面隔了很久用这个方法可能会失败。 【系统环境】Ubuntu16.04LTS+python3.8.5+pencv-python==4.1.2.30+anaconda3-2020.11-Linux-x86_64.sh（这个版本） 安装准备工作 1.1. anaconda安装、使用看这个链接 因为部分需要，不能使用GPU，只能使用CPU运行。 因此这个安装不需要使用cuda，所以pytorch安装有部分差异。GPU版本安装不
在CPU上跑YOLOv5【3】——让yolov5跑起来
m0_53263069的博客
02-18 3090
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->
利用CPU跑YOLO识别猫的模型（初学者教程）
qq_33177599的博客
01-08 2260
上期我们已经完成了环境的搭建，以及环境的检测。我们接着在上期的基础上进行训练模型。
无人机巡检提速3倍！YOLOv8n+OpenVINO让Jetson Nano跑25FPS，还能多飞25分钟
最新发布
专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
10-16 1083
摘要（149字）： 针对无人机巡检中Jetson Nano算力不足导致的帧率低、首次推理延迟高、续航短等问题，提出YOLOv8n+OpenVINO联合优化方案： 模型轻量化：YOLOv8n参数量仅3.2M（较v8s减少71%），Jetson Nano帧率从8FPS提升至15FPS（原生），绝缘子裂纹召回率仅降3%； OpenVINO加速：AUTO模式动态分配CPU/GPU算力，首次推理延迟从500ms降至200ms，帧率再优化至25FPS； 能效提升：功耗降低40%，单次续航延长25分钟。方案已落地电力/林
在CPU上跑yolov5【1】
m0_53263069的博客
02-16 1249
我在yolov5-5.0安装了pytorch，把这个作为yolov5-5.0项目的python解释器。在pycharm上打开，并添加解释器：参考链接在【pycharm中使用anaconda环境：b站https://www.bilibili.com/video/BV1Vu411Y7gL/?毕设需要，所以想先简单尝试用yolov5进行一些简单的目标检测训练。在cmd输入conda info -e后，显示如下图片即anaconda安装成功（labelimg是我创建的虚拟环境，一开始下载好只有基础的base环境。
YOLOv5 windows CPU搭建
gjyntyyx的博客
07-16 2517
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。
YOLO系列之YOLO-Lite：实时运行在CPU上的目标检测算法
木盏
11-19 2万+
实时目标检测一直是yolo系列的追求之一，从yolo v1开始，作者就在论文中强调real-time。在后期的v2和v3的发展过程中，慢慢在P&amp;R(尤其是recall rate)上下不少功夫。同时，计算量的增大也牺牲了yolo的实时性。 tiny-yolo是轻量级的yolo，在不那么要求mAP的场景下，tiny-yolo可以作为v2甚至v3的代替结构。事实上，对于无GPU的设备来讲，ti...
在CPU上进行完整版yolov5项目跟练记录
m0_59737255的博客
04-30 3322
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。
CPU训练YOLO模型
2301_80744628的博客
07-09 701
没有显卡，也能让AI“认亲戚”！没GPU也能玩深度学习，就是…建议备个散热器！
YOLOX目标检测之入门实战-win10+cpu运行YOLOX
热门推荐
10-24 11万+
发布时间：2022-10-20 点击数：38YOLOX 是旷视开源的高性能检测器。旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙的集成组合，提出了 YOLOX，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。前言： 不少开发者对 YOLOX 很感兴趣 ， 希望在自己的笔记本安装测试，哪怕速度慢一些， 但笔记本一般都没有配置带CUDA 核心的GPU。
在无人机上部署YOLOv4物体检测器，YOLO自己的数据集训练
qq_42145185的博客
05-12 3263
1.代码编译 准备工作 推荐使用Ubuntu 18.04 CMake >= 3.8:https://cmake.org/download/ CUDA >= 10.0:https://developer.nvidia.com/cuda-toolkit-archive OpenCV >= 2.4:https://opencv.org/releases.html cuDNN >= 7.0 for CUDA >= 10.0https...
openVino +windows+GPU/CPU 运行_1
pinger3338的博客
03-29 3433
openVino是intel 提供的人工识别的工具包。intel还提供的神经计算棒。当然这个我也要用到的。不过这个我打算在下一篇文档写道。这篇文章仅仅说windows系统下如何将tensorflow转换成intel可以识别的程序。 以下官网连接。 https://software.intel.com/en-us/neural-compute-stick/get-started （ubuntu系...
YOLO 在无人机视频流中的部署实践：从低延迟推理到边缘智能协同
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
06-16 1934
随着无人机在巡检、安防、农业、物流等场景的广泛应用，如何将高效的目标检测模型部署在无人机或其边缘计算模块上，成为一项关键挑战。YOLO 系列模型以其高性能、低延迟特性，已被广泛应用于实时视频流的智能感知任务。本文聚焦 YOLO 模型在无人机视频流处理中的实际部署流程与性能优化策略，涵盖 RTSP 视频接入、模型推理管线搭建、平台适配（Jetson/RK/边缘 SoC）、资源调度、多目标稳定检测等核心技术问题，提供一套工程实战导向的落地路径。
【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。
YOLOv5 CPU和GPU环境搭建（道路识别）
qq_39214543的博客
06-22 5618
YOLOv5 CPU和GPU环境搭建（道路识别）
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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