YOLO目标检测代码移植到服务器、Jetson Nano或树莓派上 并进行实时检测 速度等性能的优化

将YOLO目标检测代码移植到Jetson Nano或树莓派上，主要分为以下几个步骤：

通过这些步骤，你可以在Jetson Nano或树莓派上成功部署YOLO目标检测系统，实现实时的目标识别和分析。

  边缘计算可以让这些小型、低功耗的设备具备强大的目标检测能力，适用于各种边缘计算场景。以下是一个详细的步骤指南，帮助你完成移植过程。

一、准备工作

软件代码准备 首先以行人监测为例子说明

为了实现实时获取视频流并使用 YOLO 目标检测算法监测行人，我们可以使用 Python 和 OpenCV 库。以下是一个完整的示例代码，展示了如何从摄像头获取实时视频流，并使用 YOLOv5 模型检测行人。

环境准备

代码实现

python

import cv2
import torch
from yolov5.models.experimental import attempt_load
from yolov5.utils.datasets import letterbox
from yolov5.utils.general import non_max_suppression, scale_coords
from yolov5.utils.torch_utils import select_device

# 加载 YOLOv5 模型
weights = \’yolov5s.pt\’ # 模型权重文件
device = select_device(\’\’) # 选择设备，\’\’ 表示自动选择
model = attempt_load(weights, map_location=device) # 加载模型
stride = int(model.stride.max()) # 模型的步长

# 设置摄像头
cap = cv2.VideoCapture(0) # 0 表示默认摄像头

# 循环读取视频帧
while True:
ret, frame = cap.read()
if not ret:
break

# 图像预处理
img = letterbox(frame, new_shape=640, stride=stride)[0]
img = img.transpose((2, 0, 1))[::-1] # HWC to CHW, BGR to RGB
img = np.ascontiguousarray(img)
img = torch.from_numpy(img).to(device)
img = img.float() # uint8 to fp16/32
img /= 255.0 # 图像归一化
if img.ndimension() == 3:
img = img.unsqueeze(0)

# 模型推理
pred = model(img, augment=False, visualize=False)[0]

# 应用 NMS
pred = non_max_suppression(pred, 0.25, 0.45, classes=None, agnostic=False)

# 处理检测结果
for i, det in enumerate(pred): # 遍历每个检测结果
s = \’\’
s += \’%gx%g \’ % img.shape[2:] # 打印图像尺寸
gn = torch.tensor(frame.shape)[[1, 0, 1, 0]] # 归一化增益

if len(det):
# 将坐标从 [0, 1] 转换为像素坐标
det[:, :4] = scale_coords(img.shape[2:], det[:, :4], frame.shape).round()

# 遍历每个检测到的目标
for *xyxy, conf, cls in reversed(det):
if int(cls) == 0: # 0 表示行人
x1, y1, x2, y2 = map(int, xyxy) # 坐标转换为整数
label = f\’Pedestrian {conf:.2f}\’
cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
cv2.putText(frame, label, (x1, y1 – 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 显示结果
cv2.imshow(\’Pedestrian Detection\’, frame)

# 按 \’q\’ 键退出
if cv2.waitKey(1) & 0xFF == ord(\’q\’):
break

# 释放摄像头资源
cap.release()
cv2.destroyAllWindows()

代码说明