超维空间S2无人机使用说明书——32、使用yolov7进行目标识别

引言:为了提高yolo识别的质量,提高了yolo的版本,改用yolov7进行物体识别,同时系统兼容了低版本的yolo,包括基于C++的yolov3和yolov4,也有更高版本的yolov8。

简介,为了提高识别速度,系统采用了GPU进行加速,在使用7W功率的情况,大概可以稳定在20FPS,满功率情况下可以适当提高。

硬件:D435摄像头,Jetson orin nano 8G

环境:ubuntu20.04,ros-noetic, yolov7

步骤一: 启动摄像头,获取摄像头发布的图像话题

javascript 复制代码
roslaunch realsense2_camera rs_camera.launch  

没有出现红色报错,出现如下界面,表明摄像头启动成功

步骤二:启动yolov7识别节点

javascript 复制代码
roslaunch yolov7 yolov7.launch

launch文件如下,参数device设置为cuda,因为实际使用GPU加速,不是CPU跑,另外参数img_topic是订阅的节点话题,一定要与摄像头发布的实际话题名称对应上。其他参数可以根据实际情况进行调整即可

javascript 复制代码
<?xml version="1.0"?>
<launch>
    <node pkg="yolov7" type="YoloV7.py" name="yolov7">
        <!-- Path to your weight -->
        <param name="weights_path" type="str" value="/home/cwkj/cwkj_ws/src/ros-yolov7/cfg/weights/yolov7-tiny.pt"/>
        <!-- Path to a class_labels.txt file, if you leave it empty then no class labels are visualized.-->
        <param name="classes_path" type="str" value="//home/cwkj/cwkj_ws/src/ros-yolov7/cfg/config/coco.txt" />
        <!-- Input image topic name to subscribe to -->
        <param name="img_topic" type="str" value="/camera/color/image_raw" />
        <!-- [optional]  Confidence threshold (default=0.25) -->
        <param name="conf_thresh" type="double" value="0.20" />
        <!-- [optional]  Intersection over union threshold (default=0.45) -->
        <param name="iou_thresh" type="double" value="0.45" />
        <!-- [optional]  Queue size for publishing (default=3) -->
        <param name="queue_size" type="int" value="1" />
        <!-- [optional] Image size to which to resize each input image before feeding into the network (the final output is rescaled to the original image size) (default=640) -->
        <param name="img_size" type="int" value="640" />
        <!-- [optional] Flag whether to also publish image with the visualized detections (default=false) -->
        <param name="visualize" type="bool" value="true" />
        <!-- [optional] Torch device 'cuda' or 'cpu' (default="cuda") -->
        <param name="device" type="str" value="cuda" />
        <!-- [optional] Node frequency (default=10) -->
        <param name="frequency" type="int" value="10" />
    </node>
</launch>

出现如下界面表示yolov7启动成功

步骤三:打开rqt工具,查看识别效果

javascript 复制代码
rqt_image_view 

等待出现如下界面后,选择yolov7/visualize/image查看yolov7识别效果

总结:可以根据实际需要选择和是的yolo版本进行物体识别。系统中配置的基于darknet的yolov3和yolov4也有着非常好的识别效果。

相关推荐
飞Link1 天前
俯仰角速度是什么?从飞机抬头低头理解 Pitch Rate 与飞行控制
无人机
jay神2 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
jay神5 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
feasibility.5 天前
LeCun团队世界模型JEPA首登无人机:9K参数模型,零样本Sim-to-Real飞入100Hz闭环
论文阅读·嵌入式·无人机·具身智能·世界模型·杨立昆·jpea
鱼听禅5 天前
Ubuntu安装YOLOv8进行菌落识别训练
linux·python·yolo·ubuntu
QXWZ_IA5 天前
具身智能巡检和无人机巡检怎么选?
人工智能·安全·无人机
Eyfcom7 天前
〖物联网终端实战 05〗无人机与无人车协同:最后一公里的空地一体化调度协议
无人机·物联网终端实战·快递软件
jay神7 天前
基于深度学习的交通流量预测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机毕业设计
带电的小王8 天前
YOLO27:官方预览页放出全部规格,60.5 mAP 破 YOLO 纪录,但权重还没发布
yolo
jay神8 天前
基于 YOLOv8 的轴承缺陷检测(Web 版)
前端·人工智能·yolo