树莓派模型部署

最新推荐文章于 2025-04-10 09:06:16 发布

麻烦头发别掉

最新推荐文章于 2025-04-10 09:06:16 发布

阅读量1.3k

点赞数 16

文章标签：大数据

本文链接：https://blog.csdn.net/PinAn0217/article/details/134360370

版权

本文详细指导了如何在树莓派上安装Ubuntu22.04.3系统，包括使用Imager工具擦除并写入SD卡，以及后续的yolov5环境配置，如Python、OpenCV和依赖包的安装。最后演示了yolov5模型的部署过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、安装软件

首先在官网下载imager_1.8.1.exe文件，也可在github上找

1. 、安装imager_1.8.1.exe文件之后，ubuntu-22.04.3............，有两个包

编辑

2. 安装完成打开后，第一步点开Raspberry Pi Device下面的框，选择RASPBERRY PI 4；第二步点开“请选择需要写入的操作系统”下面的框，选择擦除；第三步点击储存卡，选择插入在电脑上的树莓派的SD卡，Mass St..........（注意千万不要点击选择自己的盘，否则将会把自己硬盘里的东西擦除）

编辑

完成以上操作后点击next，会出现警告“.......上所有的数据将被删除”点击是

准备写入，完成之后，可以取出SD卡（注意插入的u盘里面不能有文件）

编辑

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

麻烦头发别掉

关注关注

16
点赞
踩
14

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【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

4789

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。

树莓派部署YOLOv5模型

qq_42264030的博客

04-10

3939

树莓派部署YOLOv5模型进行图片和视频检测

1 条评论您还未登录，请先登录后发表或查看评论

[AI]从零开始的树莓派运行DeepSeek模型教程

c858845275的博客

02-24

2630

讲解了树莓派中llama.cpp的部署及DeepSeek模型的运行！

【树莓派-yolov5/yolov8部署篇】

nobug_girl的博客

12-22

8604

树莓派-yolov5，直接部署和onnx部署出现的问题和思考

Paddle Lite——将自己的模型部署在树莓派端

Irving.Gao的博客

06-12

7801

文章目录准备模型文件在Paddle-Detection项目中转换模型跑通Paddle-Lite demo部署自己的模型部署模型.nb文件运行模型准备模型文件此处仅演示用Paddle Detection模型直接转换为paddle-Lite支持的.nb模型文件，其他类型的模型文件使用paddlepaddle的相应功能套件进行模型转换。在Paddle-Detection项目中转换模型在模型训练完成，使用opt模型转换工具实现模型的转换： #下载opt文件 !wget https://github.com/

基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程）

最新发布

weixin_33670640的博客

04-10

269

本章介绍了如何在树莓派上部署一个大型语言模型（LLM），并强调了在生产环境中迭代原型的重要性。通过使用流行的工具和方法，展示了如何快速搭建一个基本的原型并对其进行改进。此外，还探讨了如何通过改进接口、调整量化方法以及添加多模态功能来优化项目。

在树莓派5部署yolov5模型

2301_80707725的博客

10-22

4268

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4B部署及测试llamafile

caoyongsheng的博客

08-07

1570

llamafile项目的目标是让开发人员和终端用户更容易访问开源大型语言模型。很多初学者学习大语言模型的时候，都会被模型文件中一大堆复杂的python文件或者cuda配置劝退，为了方便更多的零基础的初学者体验大语言模型，llamafile 提出了单文件运行大模型的方案。

算法部署-使用NCNN在树莓派上部署YOLOv6目标检测算法-优质算法部署项目实战.zip

10-18

在树莓派上部署YOLOv6目标检测算法，不仅可以用于学术研究，还可以用于各种实际应用场景，如安全监控、人机交互等。为了在树莓派上高效运行YOLOv6，本项目采用了NCNN框架。 NCNN是一个面向移动设备和嵌入式设备的高...

边缘计算实践-YOLOv11模型量化与树莓派嵌入式部署全攻略（边缘设备）.pdf

02-16

该文档【边缘计算实践-YOLOv11模型量化与树莓派嵌入式部署全攻略（边缘设备）】共计 32 页，文档支持目录章节跳转同时还支持阅读器左侧大纲显示和章节快速定位，文档内容完整、条理清晰。文档内所有文字、图表、目录...

树莓派3b结构图solidworks、CAD模型

03-19

树莓派3b的solidworks CAD模型。由joger上传，最初发现于GrabCAD。供大家参考

玩转树莓派4B-部署LLM大模型-1

python123456_的博客

10-11

1655

这几年人工智能很火，事实上，以1956年达特茅斯会议为节点开始，到现在人工智能经历了三次主要的浪潮，现在正是第三次浪潮。杰弗里·埃弗里斯特·辛顿（Geoffrey Everest Hinton）在2006年发表的一篇论文《A fast learning algorithm for deep belief nets》，标志着机器学习里的一个重要分支深度学习的出现，深度学习简单来说就是借鉴人脑的神经网络，搭建一个神经网络模型，具有输入层、隐藏层和一个输出层，让模型去学习人类输入进去的数据，得到经验。

TVM：在树莓派上部署预训练的模型

weixin_44966641的博客

11-06

2091

TVM：在树莓派上部署预训练的模型之前我们已经介绍如何通过Python接口（AutoTVM）来编译和优化模型。本文将介绍如何在远程（如本例中的树莓派）上部署预训练的模型。在设备上构建 TVM Runtime 首先我们需要再远程设备上安装 TVM。注意：本节和下一节中的所有指令都应在目标设备上执行，例如 树莓派。我们假设它运行着 Linux。由于我们在本地机器上进行编译，因此远程设备仅用于运行生成的代码。我们只需要在远程设备上构建 TVM Runtime。这里在我们安装 tvm 的文章中已经详

树莓派4B部署YOLOv5目标检测模型部署（包含加速方法以及模型训练方法总结）

weixin_47772846的博客

05-31

1万+

树莓派4B部署YOLOv5目标检测模型简介：

树莓派部署实操

qq_41271475的博客

08-05

1412

git clone-U盘权限，密码改密码 root和其他用户创建用户 cmake opencv flatten算子加入运行sh

树莓派模型部署----yolo

lt3037865756的博客

11-26

1682

本文为大家讲解的是树莓派的模型部署----yolo！

使用YOLOv5-Lite在树莓派4b上部署车辆检测模型（二）——使用数据集训练模型

gzdvdsadf的博客

05-19

1479

模型结构选择v5Lite-e.yaml；需要注意的是UA-DETARC_train是训练集，所以在split_train_val.py脚本中测试集的比例被设置成了零，仅在其中按8：2的比例划分出了训练集和验证集，所以后面的test.txt中其实是空的。这里提供两个脚本，split_train_val.py可按照指定的比例划分出训练集、验证集、测试集，dataset_path_set.py可以按照划分后的结果生成train.txt、val.txt、test.txt分别存不同集图片的存放地址。

yolov8树莓派部署

weixin_46227666的博客

12-11

928

树莓派4b部署yolo模型

03-12

### 部署YOLO模型于树莓派4B #### 准备工作为了在树莓派4B上顺利部署YOLO模型，前期准备工作至关重要。这包括但不限于安装必要的软件包以及配置环境变量等操作[^1]。 #### 下载并编译OpenVINO工具套件对于希望利用NCS2（Myriad X VPU）来加速推理过程的情况而言，在树莓派4B上部署YOLO模型前需完成对OpenVINO工具套件的下载与本地化编译。此步骤能够确保后续使用过程中硬件资源得到最大化利用，从而提高检测效率和速度。 #### 测试官方预训练模型建议初次尝试者优先选用官方提供的预训练版本进行验证性实验。具体做法可通过执行如下Python脚本实现： ```python python3 object_detection_demo_yolov3_async.py -m /home/pi/openvino/build/pi_OpenVINO/IR_yolov3/yolov3_elecbox_model.xml -i elecbox.mp4 -d MYRIAD ``` 上述命令中的参数分别代表所使用的模型文件路径、输入视频流地址及指定计算设备类型[^2]。 #### 自定义模型转换与优化当确认基础框架运行无误之后，则可以着手准备自训模型的相关事宜了。通常情况下，需要借助Model Optimizer将原始格式(.weights/.cfg)转化为适合目标平台加载的形式——Intermediate Representation (IR)，即`.xml` 和 `.bin` 文件组合。这一环节涉及到特定API调用或CLI指令的应用。 #### NCNN库集成方案除了基于OpenVINO的方式外，还有另一种选择就是采用轻量级神经网络推理引擎NCNN来进行跨平台移植。针对此类场景，用户应当获取对应版本的Fastest YOLO源码，并按照指示将其权重参数(`new.param`, `new.bin`)放置至相应位置以便程序读取[^3]。 #### 实际应用案例分享最后值得一提的是，实际项目开发往往伴随着更多细节考量和技术选型决策。因此鼓励开发者们多参考社区内其他成员的经验总结，从中汲取灵感以应对可能遇到的各种挑战。