树莓派4中YOLO 11 多线程实时检测

最新推荐文章于 2025-05-13 21:17:22 发布

MC数据局

最新推荐文章于 2025-05-13 21:17:22 发布

阅读量225

点赞数 8

文章标签： opencv 计算机视觉目标跟踪

本文链接：https://blog.csdn.net/WASEFADG/article/details/147901289

版权

YOLO 多线程实时检测代码

本脚本展示了如何使用多线程+队列实现 基于YOLO模型的实时目标检测，适用于树莓派等资源有限的设备。

主要特点

多线程分离：采集线程仅负责摄像头取帧，推理与显示在主线程进行，两者通过队列解耦，提升处理效率。
支持帧队列：最新帧实时送入队列，保证推理始终是最新画面，避免延迟。
可配置性能参数：模型路径、分辨率、推理帧率、队列长度都可灵活调整。
Picamera2：用于树莓派摄像头高速取帧。
Ultralytics YOLO：推理目标检测。
OpenCV：绘制检测结果和显示FPS。

核心参数

MODEL_WEIGHTS = "yolo11l.pt"   # 模型权重路径，可换为yolov8n.pt等更小模型
FRAME_SIZE = (416, 416)        # 图像分辨率，调小可提速
INFER_FPS = 10                 # 推理最大帧率，减小可减轻负载
QUEUE_SIZE = 2                 # 队列长度，保证实时性

主要模块

1. 摄像头采集线程

负责不断采集最新帧，并将其放入队列（如果队列未满）。

class CameraStream:
    def __init__(self, size=(416, 416)):
        self.picam2 = Picamera2()
        self.picam2.preview_configuration.main.size = size
        self.picam2.preview_configuration.main.format = "RGB888"
        self.picam2.preview_configuration.align()
        self.picam2.configure("preview")
        self.picam2.start()
        self.stopped = False
    def capture_loop(self, queue):
        while not self.stopped:
            frame = self.picam2.capture_array()
            if not queue.full():
                queue.put(frame)
    def stop(self):
        self.stopped = True
        self.picam2.stop()

2. 推理与显示主循环

不断从队列中取出最新帧，进行YOLO推理，绘制检测结果与FPS，并实时显示。

def inference_loop(queue, model):
    last_infer = 0
    annotated_frame = None
    while True:
        try:
            frame = queue.get(timeout=1)
        except:
            continue
        now = time.time()
        if now - last_infer >= 1.0 / INFER_FPS:
            results = model(frame)
            annotated_frame = results[0].plot()
            inference_time = results[0].speed['inference']
            fps = 1000 / inference_time if inference_time > 0 else 0
            text = f'FPS: {fps:.1f}'
            font = cv2.FONT_HERSHEY_SIMPLEX
            text_size = cv2.getTextSize(text, font, 1, 2)[0]
            text_x = annotated_frame.shape[1] - text_size[0] - 10
            text_y = text_size[1] + 10
            cv2.putText(annotated_frame, text, (text_x, text_y), font, 1, (255, 255, 255), 2, cv2.LINE_AA)
            last_infer = now
            cv2.imshow("YOLO RealTime", annotated_frame)
        if cv2.waitKey(1) == ord("q"):
            break

3. 主程序入口

初始化队列、摄像头与模型
启动采集线程
启动推理显示主循环
程序退出时资源释放

if __name__ == "__main__":
    frame_queue = Queue(maxsize=QUEUE_SIZE)
    cam = CameraStream(size=FRAME_SIZE)
    model = YOLO(MODEL_WEIGHTS)
    t_capture = threading.Thread(target=cam.capture_loop, args=(frame_queue,), daemon=True)
    t_capture.start()
    try:
        inference_loop(frame_queue, model)
    finally:
        cam.stop()
        cv2.destroyAllWindows()

性能优化建议

模型越小越快：建议用yolov8n.pt等nano模型替换大模型。
降低分辨率：(320,320)或更低分辨率可以显著提升速度，精度略有损失。
降低推理帧率：如INFER_FPS=5，可减少CPU/GPU占用。
关闭显示：如只需数据，不需要窗口，注释掉cv2.imshow可再提速。
丢弃积压帧：队列长度保持1-2，保证永远处理最新帧。

适用场景

适合在树莓派等边缘计算设备上部署实时目标检测任务，兼顾速度和精度，适用于智能监控、工业检测、机器人等场景。

# YOLO 多线程实时检测代码（中文说明）

本脚本展示了如何使用多线程+队列实现 **基于YOLO模型的实时目标检测**，适用于树莓派等资源有限的设备。

## 主要特点

- **多线程分离**：采集线程仅负责摄像头取帧，推理与显示在主线程进行，两者通过队列解耦，提升处理效率。
- **支持帧队列**：最新帧实时送入队列，保证推理始终是最新画面，避免延迟。
- **可配置性能参数**：模型路径、分辨率、推理帧率、队列长度都可灵活调整。
- **Picamera2**：用于树莓派摄像头高速取帧。
- **Ultralytics YOLO**：推理目标检测。
- **OpenCV**：绘制检测结果和显示FPS。

---

## 核心参数

```python
MODEL_WEIGHTS = "yolo11l.pt"   # 模型权重路径，可换为yolov8n.pt等更小模型
FRAME_SIZE = (416, 416)        # 图像分辨率，调小可提速
INFER_FPS = 10                 # 推理最大帧率，减小可减轻负载
QUEUE_SIZE = 2                 # 队列长度，保证实时性