[系列文章]Nvidia Jetson TX2使用yolov5进行目标检测

最新推荐文章于 2024-04-06 14:59:24 发布
置顶 最新推荐文章于 2024-04-06 14:59:24 发布
阅读量4.1k 收藏 61
点赞数 6
分类专栏： TX2_yolov5 + TensorRT 文章标签： 计算机视觉 深度学习 人工智能
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。
本文链接：https://blog.csdn.net/RosettaLeong/article/details/117880883
版权

前言

ultralytics公司开源的目标检测算法yolov5在最近一段时间十分火热，而这次正好碰上一个实际应用（分拣小车）的机会，便在此记录下全过程以供参考。其中目标检测的作用在于标出每一帧输入图像中垃圾的具体位置（框），并以该信息做PNP解算，得到相应需发送给下位机的速度指令，使其到达垃圾所在位置并捡起以进行后续操作。
实际效果如下：

Nvidia TX2实现垃圾目标检测（yolov5 + TensorRT）

 

文章列表

  1. Nvidia Jetson TX2刷机（三天刷机真实过程包教包会）
  2. [超详细!!!]yolov5_4.0版本目标检测（环境配置+数据集制作+模型训练）–垃圾分拣业务流
  3. 【全网唯一】【yolov5模型部署落地】Nvidia Jetson TX2使用TensorRT部署yolov5s模型
Rosetta_Leong
关注
  • 6
    点赞
  • 踩
  • 61
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于NVIDIA JETSON TX2平台的无人机目标检测系统设计
pengfeix的博客
09-26 4951
基于NVIDIA JETSON TX2平台的无人机目标检测系统设计 一、比赛概述 1.目标 2018年DAC的计算机系统竞赛的要求是利用嵌入式平台实现无人机上的，基于深度学习的实时目标检测。 2.评价指标 准确度：Intersection over Union(IoU) 吞吐量：每秒钟识别的图片数量(FPS)，比赛要求速度达到20FPS； 能源消耗 3.评分计算 Energy ...
NVIDIA JetsonTX2 实现 yolov5
G果的博客
03-25 8704
实现步骤1 刷机 jetpack4.5：2 JetsonTx2 Ubuntu系统 与自身电脑 Window系统 共享文件夹（方便数据传输）3 安装pytorch及其相关依赖包4 下载 yolov5（只做检测detect.py）5 简述 yolov5 训练自己数据集 1 刷机 jetpack4.5： 刷机教程：VM环境(Ubuntu18.04)+NVIDIA JETSON TX2刷机(JetPack 4.5) 2 JetsonTx2 Ubuntu系统 与自身电脑 Window系统 共享文件夹（方便数据传输）
Jetson nano部署Yolov8 安装Archiconda3+创建pytorch环境（详细教程+错误解决）
最新发布
xiangfengl的专栏
04-06 1108
由于nano 是aarch64架构，Anaconda官方不支持aarch64架构，所以有了一个叫“Archiconda”，其目的就是将conda移植到aarch64平台上然后安装archiconda由于ultralytics，需要在python>=3.8运行，而官方自带的python3为python3.6，需要我们安装python3.8。为了保证后期的开发方便，我创建了单独环境，命令如下1.安装依赖2.创建环境pytthon3.8的环境。
jetson tx2部署yolov5
weixin_35755562的博客
02-09 1107
好的，我可以提供指导如何在Jetson TX2上部署YOLOv5。 首先，请确保您的Jetson TX2设备具有足够的存储空间，以安装必要的软件。接下来，您需要安装以下软件： NVIDIA CUDA：这是NVIDIA提供的并行计算框架，是运行YOLOv5所需的。 cuDNN：这是NVIDIA的深度神经网络库，是CUDA的一个扩展。 OpenCV：这是计算机视觉库，是YOLOv5的一个依赖项。...
在Jetson TX2中使用YOLO v5的注意事项
qq_40700822的博客
07-06 1921
由于Nvidia Jetson TX2是基于ARM 的处理器，因此需要安装ARM版本的pytorch和torchvision。 1、首先下载YOLO v5的源码 首先要到YOLO v5的官网下载YOLO v5的源码，源码地址为：https://github.com/ultralytics/yolov5 2、安装arrch版本的pytorch 对应的版本要去https://pypi.org/project/torch/#history寻找，找到pytorch和python相对应的版本。 3、安装arrch版本
yolov5_train_jetsonnx
03-18
在NVIDIA Jetson NX上训练yolov5模型 假设Jetson已经建立 验证cuda版本（10.2），驱动程序版本 运行此命令以检查您正在运行的是哪个版本的jetpack dpkg-query --show nvidia-l4t-core 在Jetson中使用什么docker映像，我们将使用pytorch 使用robolflow之类的工具进行注释，我们还可以使用labelImage *积分器 *最佳 *张量流 训练更多的时代 正确的割炬版本很重要 从Yolov5回购中获得的文件夹结构有很多问题 opencv安装是jetson的问题，Yolo确实需要吗？ 我想我已经安装了opencv吗，确实需要它。 构建python-opencv版本4.1.2，此版本不可用于aarch64安装 预先制作说明 apt install -y qt4-default git clone htt
NVIDIA Jetson TX2介绍
01-19
详细介绍了NVIDIA TX2套件的基础和软件架构，总结的很到位
Vision2021:2021年第一个FRC银河搜寻任务视觉代码。该代码将能够使用Nvidia Jetson Nano和YOLOv5在运动场上运行实时目标检测
03-21
该代码将能够使用Nvidia Jetson Nano和YOLOv5在运动场上运行实时目标检测。 YOLOv5对象检测信息/文档 YOLOv5是用于实时对象检测的AI对象检测库。 资源 用法 注意：所有软件包和模块都使用virtualenv坐在虚拟环境中...
NVIDIA Jetson TX2 SPI 程序
10-30
NVIDIA JETSON TX2 spi接口调试过程，J21接口 spi 收发对接，收到数据 且对应代码内发送的数据，则接口调试成功
Jetson TX2 NX使用手册
10-09
NVIDIA Jetson TX2学习手册 2 1组装之亚克力板安装 2 2烧录系统 2 2.1虚拟机安装已经Ubuntu18.4系统安装 2 2.1.1VMware下载 2 2.1.2虚拟机安装Ubuntu18.4 2 2.2烧录系统和SDK 2 2.2.1烧录前准备 2 2.2.2虚拟机内下载...
基于NVIDIA Jetson TX2的道路场景分割
05-06
因此针对交通监控、无人驾驶等应用背景，在嵌入式平台NVIDIA Jetson TX2上，采用基于深度卷积编解码器结构的图像分割网络，对道路场景进行语义分割，并基于NVIDIA的推理加速器TensorRT2，完成网络模型简化、网络...
为JETSON TX2开发板部署YoloV5
贱贱的剑
03-04 4750
参考资料一：nvidia为JETSON Tx2编译的pytorch 参考资料二：Jetson软件包下载 参考资料三：Tx2安装工具的使用 参考资料四： Jetson烧录工具 参考资料五： B站下载的行人视频 一、升级TX2系统版本到最新版（JetPack4.6） 我拿到的板子的版本太低了，在工作的过程中会有很多问题，因此要先升级到最新版 下载参考资料四中的烧录工具，在Ubuntu18.04中安装，只能，必须，一定是Ubuntu18.04 安装完成后使用非root用户启动SDK Manger，登录Nvi.
Jetsen TX2（jetpack4.6 CUDA10.2）使用D435i摄像头以及yolov5-ros实现实时监测
m0_69537511的博客
07-24 2313
本篇文章是在我完成之后才想起来写一篇技术文档，一是因为真的踩的坑太多了，前前后后差不多有一个月才完成，所以想记录下来，相当于是给自己这一个月的努力的总结。二是因为在完成过程中了，真的很少有完整的教程，想写一篇文章，对网友们有所帮助把。当然因为这篇文章是我在完成了任务之后才想起来写的，所以其中可能有很多没有记录下来的错误，如果下次碰见了还是应该先记录一下。如果文章中有什么问题欢迎指出。当然我这篇文章主要是记录，建议各位网友多看看其他的教程。一个月的努力总算是完成了。
嵌入式JetSon TX2上定位构图与目标检测环境部署（包括RTAB-MAP、Object Detection API、RealSense、IMU、ROS、CUDA、Tensorflow等配置）
进阶的乔木同学每天都在码代码
07-09 2140
这周为了项目结题在一块崭新的TX2开发板上复现了去年的定位构图与目标检测环境部署，其实各个部分的内容在博主之前的博客中零零碎碎的都提到过，这里重新写篇博客整体总结一下，因为后面还有两块新的TX2等待博主部署环境......流下了熟练工种的泪水QAQ
Jetson TX2 虚拟环境部署yolov5_v6.0
weixin_62651190的博客
03-30 1746
之前没有用anaconda环境配置的太乱了，心血来潮重新配个环境。
tensorRT简介
Loong Cheng的博客
08-10 3367
TensorRT 是由 Nvidia 推出的 GPU 推理引擎(GIE: GPU Inference Engine)。和通用的深度学习框架不同，TensorRT 只提供前向传播，即推理的功能，而没有训练的功能。实际上，训练的场景下，资源通常不会特别紧张，因为是离线的操作(不要求实时反馈)，即使出现了一时的资源不足也可以通过增加计算时长来弥补，所以训练框架的资源消耗一般不会有很强的优化。而网络的部署...
TX2+调用板载摄像头实时目标检测（yolov5)+tensorrt
weixin_45371818的博客
07-21 6019
前言 首先感谢無證騎士博主的大力支持，本文的也是根据他的文章魔改。 因项目需求，在TX2上部署yolov5算法实时检测目标。之前在ubantu上做过yolov5的图片检测，实时检测与之类似，但也是耗费一周的时间，原谅我是个小白。 一、环境安装 附上無證騎士博主的博客地址： https://blog.csdn.net/hahasl555/article/details/116500763 二、opencv的安装 本人使用的opencv并不是按照上述博客安装的，而是使用的是opencv=4.2.0
Jetson TX2上配置archiconda、Yolov5、tensorrtx环境问题记录
weixin_43609111的博客
03-27 8468
文章目录前言本文主要记录在Jetson TX2上配置archiconda、Yolov5、tensorrtx环境中遇到的问题以及解决方法。以及一些包的分享。一、Jetson TX2刷机二、安装archiconda三、安装torch和torchvision问题1：三、Yolov5环境配置3.1Yolov5下载3.2Yolov5环境配置3.3Yolov5使用3.4问题四、tensorrtx下载与使用3.1tensorrtx下载 前言 本文主要.
NvidiaJestonTX2刷机+部署yolov5全过程（新手版）
weixin_50168087的博客
03-29 1954
本篇博客去年本科毕业写的，现在看了草稿箱才想起来发布。。。由于本科毕设第一次接触嵌入式设备，问老师借了tx2板子（有原装充电线和两个天线）。拿到手根据网上教程陆陆续续准备了：1.一块hdmi显示屏+hdmi线，有线鼠标和键盘。2.原装microusb to usbA线（某宝36r+6邮费购入），用于连接tx2和PC。3.由于tx2只有一个usb口，又购入了一个拓展坞，用于同时连接鼠标和键盘。4.两根网线，后来只用了一根，PC直接连接wifi，tx2用网线连接路由器。
nvidia jetson tx2运行yolov5
06-28
### 回答1： nvidia jetson tx2可以运行yolov5，但需要安装相应的软件和依赖库。首先需要安装JetPack 4.4或更高版本，然后安装CUDA、cuDNN、TensorRT等软件。接着，需要下载yolov5的代码和模型，并进行编译和安装。最后，可以使用Jetson TX2运行yolov5进行目标检测和识别。 ### 回答2： NVIDIA Jetson TX2是一款嵌入式平台，其内置的GPU和CPU提供高性能计算能力，使其成为运行深度学习模型的理想选项。而YOLOv5则是一种物体检测框架，能够在不降低精度的情况下提高检测速度。那么，如何在NVIDIA Jetson TX2上运行YOLOv5呢？ 首先，需要安装好NVIDIA JetPack 4.2及以上版本的软件包，并配置好环境变量。其次，需要准备好YOLOv5模型文件、权重文件和配置文件。模型文件可以从GitHub上下载，而权重文件和配置文件则需要根据所需的检测任务进行调整。具体的操作过程如下： 1. 下载YOLOv5代码 从GitHub上下载YOLOv5代码，并将其解压到合适的目录下。 2. 准备YOLOv5模型文件 从GitHub上下载所需的YOLOv5模型文件，并将其保存到与代码同一目录下。这里可以选择下载只能够检测一类物体的模型，或者能够检测多类物体的模型，具体情况根据实际需求而定。 3. 准备权重文件和配置文件 从YOLOv5代码中的“yolov5/config”目录下复制相应的权重文件和配置文件，并将其保存在代码同一目录下。如果需要针对自己的检测任务进行配置，可以编辑相应的配置文件进行调整。 4. 运行程序 在NVIDIA Jetson TX2上使用终端进入代码所在的目录，并执行以下命令： python3 detect.py --weights yolov5s.pt --img 416 --conf 0.4 --source 0 其中，“yolov5s.pt”为所选择的权重文件，“416”为图像大小，“0.4”为置信度阈值，它们可以根据实际需求进行调整。此外，“source”参数可以指定图像或视频的路径，也可以将其设置为“0”实现从NVIDIA Jetson TX2的摄像头获取视频流的功能。运行程序后，将可以看到YOLOv5检测到的物体在图像或视频中的位置和标签。 总之，使用NVIDIA Jetson TX2运行YOLOv5需要准备好模型文件、权重文件和配置文件，并通过代码执行命令来进行检测。其通过GPU并行计算提高了检测速度和精度，因此可以为图像或视频物体检测任务提供高效的解决方案。 ### 回答3： NVIDIA Jetson TX2是一个强大的嵌入式系统，拥有高效的CPU和GPU以及专用的AI硬件加速器。这使得它成为理想的设备，用于运行复杂的深度学习模型。而YOLOv5是目前最先进的目标检测算法之一，其能够实现更快、更准确的检测。 要在NVIDIA Jetson TX2上运行YOLOv5，您需要完成以下步骤： 1. 安装依赖项：您需要安装一些C++、Python库以及其他必要的软件包。这可以通过在终端中输入以下命令来完成： sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install python3.6-dev python3-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev 2. 安装CUDA和cuDNN：这些是必要的组件，用于在GPU上加速深度学习模型的训练和推断。您可以从NVIDIA的官方网站上下载和安装CUDA和cuDNN。 3. 下载YOLOv5代码：您可以从GitHub上下载YOLOv5的代码。您可以使用以下命令从终端中进行克隆： git clone https://github.com/ultralytics/yolov5.git 4. 利用YOLOv5进行训练/检测：现在，您已经准备好了在NVIDIA Jetson TX2上使用YOLOv5。使用YOLOv5进行训练/检测需要一些数据集和代码修改，后续可以结合YOLOv5文档和代码实现。 总之，NVIDIA Jetson TX2作为一款专用的AI硬件加速器，具备很强的计算能力，能够为YOLOv5算法的使用提供很好的支持。然而，在运行YOLOv5之前，您需要进行一些必要的准备工作，如安装依赖项、CUDA和cuDNN等。然后，通过下载YOLOv5代码并结合数据集和相应代码实现。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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
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