树莓派yolov5简单调用

yolov5下载并部署
参考博客
labelme注意事项
labelme包下载

labelme-master https://www.aliyundrive.com/s/bMeCNrwHuva
提取码: a43f
点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看，视频原画倍速播放。

里面的train_txt.py是把json转txt的脚本，注意模型参数的yaml文件的label位置标注和train_txt.py文件的顺序得一样，不然会造成识别错误的情况

参数说明：

train.py
大致的用法上面的参考博客已经阐述了，我这里仅做一些部分补充
1.若显存不足的话，出现显存分配不足的情况下，尽量把batch_size调小一点就行
2.电脑上device一般是可以配上CUDA，所以device的值填0，但是在树莓派上好像没办法用CUDA加速，也可能是我学的差，不知道怎么去配置，所以在树莓派上的device填的是cpu

detect.py
1.source位置的参数是待识别文件的路径，可以是图片，视频等。
当default=0的时候，调用的是电脑摄像头，若电脑外接摄像头调用的话，则default处等于1，树莓派没有摄像头，所以树莓派外接摄像头显示时default=0

坐标返回

在这个位置，找到box_label函数，ctrl+点击进入到文件里面

box内存的值就是图片的坐标信息
box[0]：标签框左上角x坐标
box[1]：标签框左上角y坐标
box[2]：标签框右下角x坐标
box[3]：标签框右下角y坐标

我这里增加了个return，返回的是中心点的像素坐标，可按自己需求修改

用途：

如果你想做类似于识别后想控制机械臂抓取的话，我的思路大概是先将机械臂大概移动到图像坐标原点的位置，然后大概记下此时机械臂对应他自己坐标系的x，y值是多少，然后再移到对角处，测一下对角处位置机械臂的x，y值大概是多少，然后根据你自己图片的规格去换算一下，比如说拿一张640×480的图片,然后机械臂移到摄像头截取图像的图像坐标系的原点，比如说等于（-5， 10），对角坐标为(10，30),x值差了15，对应x方向的像素点变换了480，大概能估测出机械一个坐标位大约等于图像的32个像素点位，换算过去之后，你就大约可以准确地夹取到图中检测物体的所在位置
例 夹取坐标 = (机械臂在坐标原点的x坐标 + 像素坐标的x值/32, 机械臂在坐标原点的y坐标 + 像素坐标的y值/32)

改进

用完之后，才发现，yolov5在树莓派根本跑不起来，连最轻量的yolov5s部署完成后，识别都需要3秒左右一帧，卡的你怀疑人生，这里可以稍微优化一下，比如你可以pip 一下onnxruntime,然后用yolov5包里面带的export函数将训练完成的.pt权重文件转成.onnx文件，然后把这里的dnn改成true

然后把detec的权重文件改成.onnx格式就行

在树莓派cpu的情况下，大约能快上三分之一，就是3秒一帧编程两秒一帧，但是在GPU运行下，速度就基本没变，不会提速，需要具体地去推理，速度提升才会显著

总结

此次部署完之后，其实觉得yolov5太大了，在树莓派上跑不动，建议换个轻量点地模型可能效果会好一些，例如：SSD,Faster-RCNN,yolov5-lite等。看起来会流畅许多，如果你是手头富裕有加速棒之类的，就当我没说，毕竟我是个学生党，生活还是比较拮据的。
总体来说，比较建议的是，模型啥的都在电脑上训练，包括转格式啥的，因为在电脑上比较块，可以用GPU跑，也比较熟悉，然后每次跑完把单独的那个.pt或者.onnx文件单独传过去就行，这样时间会节省不少，如果具体想用树莓派做类似视觉之类的项目，建议还是换个轻量点的模型吧。