首页
/ 在树莓派上使用YOLOv5实现实时目标检测与图像保存

在树莓派上使用YOLOv5实现实时目标检测与图像保存

2025-04-30 09:55:54作者:乔或婵

引言

YOLOv5作为当前流行的目标检测算法,因其轻量级和高效性特别适合在边缘设备如树莓派上部署。本文将详细介绍如何在树莓派4B+上使用YOLOv5实现实时摄像头目标检测,并将检测到的图像自动保存到本地文件夹中。

环境准备

在树莓派上运行YOLOv5需要确保以下环境配置:

  1. Python 3.8或更高版本
  2. PyTorch框架(ARM架构适配版本)
  3. OpenCV库
  4. YOLOv5源代码

建议使用虚拟环境来管理项目依赖,避免与系统Python环境冲突。

核心代码实现

以下是经过优化的YOLOv5实时检测与图像保存实现代码:

import torch
from PIL import Image
import cv2
import datetime
import os

# 模型加载配置
MODEL_PATH = '/path/to/yolov5s.pt'
model = torch.hub.load('ultralytics/yolov5', 'custom', path=MODEL_PATH)

# 创建保存目录
SAVE_DIR = 'detection_results'
os.makedirs(SAVE_DIR, exist_ok=True)

# 初始化摄像头
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    # 转换图像格式
    img_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    img_pil = Image.fromarray(img_rgb)
    
    # 执行推理
    results = model(img_pil)
    
    # 检测到目标时保存图像
    if len(results.pred[0]) > 0:
        timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
        filename = f"{SAVE_DIR}/detection_{timestamp}.jpg"
        cv2.imwrite(filename, frame)
        print(f"检测到目标,已保存: {filename}")
    
    # 显示实时画面(可选)
    cv2.imshow('YOLOv5 Detection', frame)
    if cv2.waitKey(1) == 27:  # ESC键退出
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

关键技术点解析

  1. 模型加载优化

    • 使用torch.hub.load()方法加载本地模型
    • 指定source='local'参数避免重复下载
    • 对于树莓派建议使用yolov5n或yolov5s等轻量级模型
  2. 图像处理流程

    • OpenCV读取的BGR格式转换为RGB格式
    • PIL.Image格式转换以适应YOLOv5输入要求
    • 时间戳命名确保文件唯一性
  3. 性能优化技巧

    • 设置合适的摄像头分辨率(640x480)
    • 使用os.makedirs创建保存目录
    • 添加ESC键退出功能提升用户体验

常见问题解决方案

  1. 模型加载失败

    • 检查模型文件路径是否正确
    • 确认PyTorch版本与模型兼容
    • 树莓派上建议使用PyTorch 1.8+版本
  2. 检测性能低下

    • 降低输入图像分辨率
    • 改用更小的模型(yolov5n)
    • 增加树莓派散热措施
  3. 图像保存问题

    • 检查目录写入权限
    • 确保存储空间充足
    • 验证时间戳生成逻辑

进阶应用方向

  1. 多线程处理

    • 将图像采集和推理过程分离到不同线程
    • 使用队列实现线程间通信
  2. 结果可视化

    • 在保存的图像上绘制检测框和置信度
    • 添加FPS显示监控性能
  3. 云端集成

    • 将检测结果上传至云存储
    • 实现远程监控功能

结语

在树莓派上部署YOLOv5进行实时目标检测是一个极具实用价值的项目,既能够学习深度学习算法,又能掌握边缘计算设备的应用技巧。本文提供的方案经过实际验证,在树莓派4B+上能够稳定运行,读者可以根据实际需求进行进一步的功能扩展和性能优化。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
136
1.89 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
71
63
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.28 K
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
918
550
PaddleOCRPaddleOCR
飞桨多语言OCR工具包(实用超轻量OCR系统,支持80+种语言识别,提供数据标注与合成工具,支持服务器、移动端、嵌入式及IoT设备端的训练与部署) Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)
Python
46
1
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
273
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
59
16