3.搭建Astra Pro Plus深度相机环境、部署yolov5【解决篇】

已于 2024-08-27 12:11:08 修改
阅读量2.5k 收藏 28
点赞数 25
分类专栏： 树莓派＋Ubuntu＋Astra深度相机＋yolov5 文章标签： YOLO 人工智能 ubuntu
于 2024-04-02 20:08:10 首次发布
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/changsijia/article/details/137230385
版权
本文详细描述了如何在Ubuntu环境下搭建Astra相机系统，包括依赖包安装、工作空间设置、UDEV规则创建，以及在遇到错误时如何解决。同时介绍了如何安装和配置PyTorch和yolov5在树莓派上，涉及到了版本兼容性问题的处理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、Astra相机环境搭建

参考文章1
参考文章2
读前须知：
①参考的时候直接复制了命令去操作，工作空间名设置的是AstraS_ws，但其实我的相机并不是Astra_S而是Astra Pro Plus。
②我按照这些流程操作下来，在启动相机时warning检测不到color传感器，也没有camera/color/image_raw的话题，无法对彩色图像进行标定。

1.安装依赖

sudo apt install ros-$ROS_DISTRO-rgbd-launch ros-$ROS_DISTRO-libuvc ros-$ROS_DISTRO-libuvc-camera ros-$ROS_DISTRO-libuvc-ros
sudo apt install libgflags-dev  ros-
最低0.47元/天 解锁文章
在ROS中使用奥比中光Orbbec Astra Pro深度相机（二）
limingmin2020的博客
03-07 2749
在之前外面已经介绍过Orbbec Astra Pro深度相机，同学们可以点击了解详情，接着再来介绍介绍。功能包下载地址，可以直接用步骤里的git clone1）若已安装请忽略2）或者3）4）配置工作空间的环境变量（使用zsh终端的直接吧bash换成zsh就可以了，下同）如果这样设置环境变量，那么这个环境变量只对于此个终端有效，再打开一个终端是还需要再设置一下环境变量才行这样的话对打开的终端设置的环境变量都有效之前设置过环境变量的可以用下面这个命令修改。
Astra深度相机在Ubuntu18.04系统下实现相机标定
qq_57061492的博客
04-08 2437
Astra相机标定全程标定过程
在ROS2中使用奥比中光（ORBBEC）的AstraPro深度相机
joyopirate的博客
04-18 9628
拷贝到你的ubuntu的一个文件夹中，并解压得到 ros2_astra_camera 文件夹然后新建一个ros2_ws文件夹，再在ros2_ws文件夹中新建src文件夹，然后复制 ros2_astra_camera文件夹里面的astra_camera、astra_camera_msg两个文件夹到src里面。
ROS2下配置奥比中光AstraProPlus深度相机步骤与问题汇总
qq_54024805的博客
02-29 1757
在配置小车的奥比中光AstraProPlus的SDK时出现一些其他教程未提及的问题总结如下。
ROS2 中 使用奥比中光 Orbbec Astra Pro 深度相机
dotNET跨平台
05-14 3472
本文将以 Ubuntu 20.04 和 ROS2 foxy 环境为例，详细介绍如何在 ROS2 中使用奥比中光 Orbbec Astra Pro 深度相机。在这一篇文章中，你会学到如何创建工作空间，使用 usb_cam 功能包，编译安装使用 ros_astra_camera 等。1. 引言前面的文章《ROS2 机器人操作系统入门和安装以及如何使用 .NET 进行开发》中提到，组成机器人的关键部分主...
Astra Pro深度相机初使用--通过openni2调用深度相机（基于python），获取深度信息（学习笔记）
2301_80488618的博客
11-12 3124
这个软件适配的很好，用起来很方便，但是不适合做扩展，直白说就是拿来看看，用于调试参数什么的，这个解压下来就自带驱动，直接就可使用，按如下操作下载解压就行了，它自己的Orbbec SDK工具不支持这个型号的，只能选择openni2的sdk，如果你是新款的可以使用这个sdk。我手里的这个型号的深度相机来历也比较搞笑，是我从闲鱼几十块买的，成色很新，甚至包装都没拆，非常便宜，让我一度认为可能是坏的，原因是大哥那边不会用，我买完之后大哥那边就涨了二十哈哈哈。小插曲，接下来介绍使用，这边有两种方法。
树莓派Ubuntu24使用Astra Pro深感摄像头
zlm2004的博客
11-16 573
2024年最新测试，保真
5.树莓派上yolov5实时目标检测、+Astra Pro Plus搭建环境和相机标定【补充篇】
changsijia的博客
04-10 2943
yolov5配合深度相机目标检测+Astra Pro Plus搭建环境遇到的问题＋相机标定，下一阶段将尝试测距/输出三维坐标。
4.树莓派上部署yolov5、搭建Astra Pro Plus环境【问题篇】
changsijia的博客
04-02 1816
yolov5目标检测 Astra深度相机 树莓派 初学2 中间因为有事停了几天
yolov5利用深度相机进行目标检测
05-04
利用realsense进行目标检测，并标注出目标物和目标anchor中心的像素坐标和深度信息
将Astra pro深度相机采集到的图像信息转换为三维点云的项目源码（同时包括Astra Pro RGBD相机标定、图像&视频采集代码）
03-06
将Astra pro深度相机采集到的图像信息转换为三维点云的项目源码（同时包括Astra Pro RGBD相机标定、图像&视频采集代码）.zip 将Astra pro深度相机采集到的图像信息转换为三维点云的项目源码（同时包括Astra Pro RGBD...
奥比中光Astra Pro RGBD深度摄像机在ros1 noetic版采集彩色图像和深度图像
m0_73694897的博客
04-14 2878
深度相机性价比较高的要属奥比中光的Astra Pro，对标微软的D435，能采集彩色图像，深度图像，红外图像，如果只是做实验或者只是拿来玩玩，在咸鱼入手一个也就一二百，可玩性非常高。想拿他跑一下ORB_SLAM3，但是在ros2 foxy版用尽各种办法就是不能同时采集彩色图像和深度图像，下面记录一下在ros1采集彩色图像和深度图像的过程，看看能不能通过ros1_bridge把彩色和深度图像传到ros2。打开2个终端 选2 nodtic，分别输入下面命令，启动成功，ros1 ros2 双系统安装完成。
【20-8-7】树莓派上部署英特尔深度相机IntelRealsense T265
知行
08-07 3084
最近在搭建无人机的自主飞行平台，无GPS的情况下室内定位的方案除了光流，最好的就是配合intel的realsense系列的摄像头。尤其是T265本身带IMU，可以直接给飞控输出位姿信息，不管是APM固件还是PX4固件，在ROS和MAVROS的帮助下，都可以直接获取T265的信息。 自主飞行平台的板载电脑是树莓派3b+，运行ubuntu mate 18.04的系统和ROS Melodic，理论上可以随时更换为性能更强劲的英伟达Jetson系列系统，或者intel upboard系列。 ROS的安装，在其他的文
乐视三合一体感摄像头Astra pro开发记录1（深度图、彩色图及点云简单显示）
热门推荐
taifyang的博客
02-19 1万+
在某鱼上淘的乐视三合一体感摄像头，捡漏价九十几块，买来玩玩。网上已经有一些关于此款摄像头的开发资料。官方的开发资料：[官网链接]（https://orbbec3d.com/index/download.html)按官方网站以及其他帖子，下载并安装相机的驱动和SDK，不难配置好相机。下面这篇文章使用opencv4.5.1配置成功，本人按此方法尝试过确实可行。
RDK X3（arm64） 测试国产双目摄像头Astra Pro Plus
迷宫中的我
06-09 784
亚博智能的ROSMASTER-X3 标准版（双目是 Astra Pro Plus）
ROS+YOLOV8+SLAM智能小车导航实战（三、Astra Pro深度相机节点+Astra Pro普通color颜色节点）
qq_21583319的博客
04-25 1498
astra驱动程序提供了正常的和过滤的方法。使用filter driver，我们可以获得更精确的深度数据，但这会消耗更多的计算资源。如果程序将在嵌入式系统上执行，我们建议使用常规方法。首先查看你本机有多少个python版本，然后你conda版本的python位置在那里找到后替换调/usr/bin/python。或者使用Astra Stereo S (w/ UVC)下载ros_astra_camera功能包。查看本机中的python版本位置都有那些。解决：把这个依赖包减掉，先安装其他的。
奥比中光astra深度相机通过openni直接显示rgb彩色图、depth深度图、ir红外图
qq_43760302的博客
02-02 3207
astra深度相机 显示rgb图、ir图、depth图
YOLO12改进-模块-引入HaloNet 局部自注意力HaloNet local self-attention 自注意力机制轻量化
最新发布
qq_64693987的博客
04-28 609
分块局部自注意力（Blocked Local Self-Attention）该方法将计算复杂度从 O (N²) 降至 O (B²)，同时通过 Halo 区域实现跨块信息传递，平衡了局部细节与全局上下文。分块策略：将图像划分为 B×B 的非重叠块，每个块作为查询区域（Query Block）。Halo 区域扩展：每个查询块周围扩展 H×H 的 Halo 区域，形成 (B+2H)×(B+2H) 的邻域块（Key/Value Block）。Halo 区域允许相邻块的信息交互，扩大感受野。注意力计算。
yolov加深度相机
03-08
### 将YOLOv模型与深度相机集成 #### 选择合适的硬件和软件配置 对于将YOLOv模型与深度相机集成的任务，推荐使用英特尔D4系列深度相机，特别是D455型号[^2]。该款相机不仅具备高质量的深度感知功能，还能够在低光环境下提供准确的数据，并且易于集成到各类应用中。 为了确保系统的兼容性和高效运行，在选择计算平台时可以考虑采用树莓派Raspberry Pi作为处理单元[^1]。这种组合既经济实惠又灵活多变，适合用于开发原型或小型项目。 #### 安装必要的库文件和支持包 在开始之前，需安装OpenCV、PyTorch以及其他依赖项来支持YOLO算法框架： ```bash pip install opencv-python-headless torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu ``` 接着下载并解压所需的YOLO权重文件以及配置文档；如果选用的是YOLOv5，则可以从官方GitHub仓库获取最新版本[^3]。 #### 编写Python脚本读取摄像头输入并与YOLO配合工作 下面是一个简单的例子展示如何利用上述提到的技术栈创建一个基本的目标检测应用程序: ```python import cv2 from ultralytics import YOLO # 加载预训练好的YOLO模型 (这里假设使用YOLOv5) model = YOLO('yolov5s.pt') def process_frame(frame): results = model.predict([frame], conf=0.7, iou=0.5)[0].boxes.data.tolist() for result in results: x_min, y_min, x_max, y_max, score, class_id = map(int, result[:6]) label = f'{class_names[class_id]} {score:.2f}' color = colors[int(class_id)] frame = cv2.rectangle(frame, (x_min, y_min), (x_max, y_max), color=color, thickness=2) frame = cv2.putText( img=frame, text=label, org=(x_min, max(y_min - 10, 0)), fontFace=cv2.FONT_HERSHEY_SIMPLEX, fontScale=0.9e-3 * min(frame.shape), color=color, thickness=2) return frame if __name__ == '__main__': pipeline = rs.pipeline() # 初始化RealSense管道 config = rs.config() config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30) profile = pipeline.start(config) try: while True: frames = pipeline.wait_for_frames() depth_frame = frames.get_depth_frame() color_frame = frames.get_color_frame() if not depth_frame or not color_frame: continue depth_image = np.asanyarray(depth_frame.get_data()) color_image = np.asanyarray(color_frame.get_data()) processed_image = process_frame(color_image.copy()) images = np.hstack((color_image, processed_image)) cv2.imshow('Depth and Color', images) key = cv2.waitKey(1) & 0xFF if key == ord('q'): break finally: pipeline.stop() cv2.destroyAllWindows() ``` 此代码片段展示了怎样从Intel RealSense D455捕获视频流，并对其进行实时分析以识别特定对象类别。注意这段程序仅作为一个起点——实际部署可能还需要进一步调整参数设置、优化性能等方面的工作。
评论 6
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