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 16:45:07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。