在树莓派上使用YOLOv5实现实时目标检测与图像保存

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。