当前位置：首页 > news >正文

香橙派AIpro部署YOLOv5：探索强悍开发板的高效目标检测能力

news 来源：原创 2024/9/20 3:20:57

香橙派AIpro部署YOLOv5：探索强悍开发板的高效目标检测能力

一、香橙派AIpro开箱使用体验

1.1香橙派AIpro开箱

拿到板子后第一件事情就是开箱：

开箱后可以看见一个橘子的标识，也就是香橙派了，并且还有四个大字：为AI而生，从这四个字可以看出来这款开发板的性能非常好，可以跑AI的开发板性能肯定是比较强悍的。在这里插入图片描述

接下来就来体验一下这款开发板的性能和具体使用吧。

1.2香橙派板载资源介绍

开发板的体积的话是比较小的，但是它搭载的外设资源是比较丰富的，主控制板是4核64位处理器+AI处理器，并且支持千兆网口，无线wifi，还有两个USB3.0口，可以方便用户接入鼠标和键盘等外设。并且还支持接入音频线，HDMI高清接口可以让开发板作为一个小型的主机来使用。
在这里插入图片描述

在背面的话可以看到开发板支持eMMC、Flash、TF卡槽等内存，方便用户自主扩展内存使用。

在这里插入图片描述

1.3香橙派启动方式介绍

香橙派的启动方式有多种，方便用户根据自己的情况来进行选择只需要操作拨码开关即可切换启动方式，支持SATA SSD、NVME SSD、eMMC、TF卡等方式来启动：

在这里插入图片描述

二、启动香橙派！

2.1烧写系统搭建环境

首先进入香橙派官网将资料下载好：

将用户手册、原理图、Ubuntu镜像下载下来：

香橙派官网
在这里插入图片描述

将这些资料下载好后就可以开始烧写ubuntu镜像了，这个时候需要有读卡器和内存卡，因为这个镜像会支持桌面系统，所以占用的内存是比较大的，那么这个时候就需要选择一张大一点的内存卡了，最好是32G或者以上的。

下载用于烧录 Linux 镜像的软件——balenaEtcher

烧录工具

选择从文件中烧录
在这里插入图片描述

选择解压好的镜像文件并且选择目标磁盘进行烧写镜像

在这里插入图片描述

等待镜像烧录完成

在这里插入图片描述

烧录完成镜像后将TF卡取下安装到开发板中，上电启动开发板！

2.2控制开发板的方式

在开发板中有串口，网络，HDMI这三种方式可以登陆到开发板系统中，在这里选择HDMI这种方式，因为选择HDMI可以进入系统的桌面当中，操作起来会更加的直观。

将HDMI线连接到开发板和显示屏，然后再次重新启动开发板，这个时候就可以看到显示屏中进入了桌面系统了。

在这里插入图片描述

三、部署yolov5

首先执行下面的指令安装必要的依赖项

sudo apt-get update
sudo apt-get install -y build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

安装opencv

sudo apt-get install -y python3-opencv

下载YOLO源码并编译源码

git clone https://github.com/pjreddie/darknet.git
cd darknet
make

在这里插入图片描述

下载预训练权重文件

wget https://pjreddie.com/media/files/yolov3.weights

运行 YOLO检索图像

在这里插入图片描述

接下来来编写一个程序体验一下yolov3的物体检测功能吧

创建一个test1.py文件夹用于存放代码

vi test1.py

在这里插入图片描述

编写代码

import cv2  import numpy as np  # 加载网络和配置  net = cv2.dnn.readNet("yolov3.weights", "cfg/yolov3.cfg")  classes = []  with open("data/coco.names", "r") as f:  classes = [line.strip() for line in f.readlines()]  # 加载图片  img = cv2.imread("1.jpg")  img = cv2.resize(img, None, fx=0.4, fy=0.4)  height, width, channels = img.shape  # 检测  blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), (0, 0, 0), True, crop=False)  net.setInput(blob)  outs = net.forward(net.getUnconnectedOutLayersNames())  # 显示信息  class_ids = []  confidences = []  boxes = []  for out in outs:  for detect in out:  scores = detect[5:]  class_id = np.argmax(scores)  confidence = scores[class_id]  if confidence > 0.5:  # Object detected  center_x = int(detect[0] * width)  center_y = int(detect[1] * height)  w = int(detect[2] * width)  h = int(detect[3] * height)  # Rectangle coordinates  x = int(center_x - w / 2)  y = int(center_y - h / 2)  boxes.append([x, y, w, h])  confidences.append(float(confidence))  class_ids.append(class_id)  # NMS  indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)  # Draw bounding boxes  for i in range(len(boxes)):  if i in indexes:  x, y, w, h = boxes[i]  label = str(classes[class_ids[i]])  color = (0, 255, 0)  cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)  cv2.putText(img, label, (x, y + 30), cv2.FONT_HERSHEY_PLAIN, 1, color, 2)  # 保存图片  cv2.imwrite("predictions_output.jpg", img)

在百度找几张图片

在这里插入图片描述

找到合适的图片后来运行一下程序

因为这个程序是pyhton程序，所以在运行之前需要确保在开发板的环境中是有python的

这里我已经提前安装好了pyhton3

运行之前需要给程序权限

在这里插入图片描述

接着运行程序

python3 test1.py

等待处理完成，处理的时间是非常快的，一会就处理好了，在当前目录下会生成处理好的图片

在这里插入图片描述

那么这里的我们可以看到他识别出来了汽车和椅子，并且使用绿色标记进行了标定，有了香橙派AIpro强大性能的支持处理这种基础的图片还是非常简单快捷的。

当然了也可以使用yolov3来进行视频的处理，这里我给出示例代码

import cv2  import numpy as np  # 加载网络和配置  net = cv2.dnn.readNet("yolov3.weights", "cfg/yolov3.cfg")  classes = []  with open("data/coco.names", "r") as f:  classes = [line.strip() for line in f.readlines()]  # 打开视频文件  cap = cv2.VideoCapture("your_video.mp4")  # 替换为你的视频文件路径  while True:  ret, frame = cap.read()  # 读取视频帧  if not ret:  break  # 如果正确读取帧，ret为True  # 帧预处理  frame = cv2.resize(frame, None, fx=0.4, fy=0.4)  height, width, channels = frame.shape  # 检测  blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0, 0, 0), True, crop=False)  net.setInput(blob)  outs = net.forward(net.getUnconnectedOutLayersNames())  # 显示信息（在视频帧上绘制）  class_ids = []  confidences = []  boxes = []  for out in outs:  for detect in out:  scores = detect[5:]  class_id = np.argmax(scores)  confidence = scores[class_id]  if confidence > 0.5:  center_x = int(detect[0] * width)  center_y = int(detect[1] * height)  w = int(detect[2] * width)  h = int(detect[3] * height)  x = int(center_x - w / 2)  y = int(center_y - h / 2)  boxes.append([x, y, w, h])  confidences.append(float(confidence))  class_ids.append(class_id)  # NMS  indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)  # Draw bounding boxes  for i in range(len(boxes)):  if i in indexes:  x, y, w, h = boxes[i]  label = str(classes[class_ids[i]])  color = (0, 255, 0)  cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)  cv2.putText(frame, label, (x, y + 30), cv2.FONT_HERSHEY_PLAIN, 1, color, 2)  # 显示视频帧  cv2.imshow("Frame", frame)  # 按'q'键退出循环  if cv2.waitKey(1) & 0xFF == ord('q'):  break  # 释放资源  cap.release()  cv2.destroyAllWindows()

同样的运行这个代码后可以分析视频中出现的物体并且进行标定。