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
要努力啊啊啊2 小时前
YOLOv2 正负样本分配机制详解
人工智能·深度学习·yolo·计算机视觉·目标跟踪
Ailerx5 小时前
YOLOv13震撼发布:超图增强引领目标检测新纪元
人工智能·yolo·目标检测
云卓SKYDROID8 小时前
无人机3控接力模式技术分析
无人机·通道·遥控器·高科技·云卓科技
云卓SKYDROID11 小时前
无人机载重模块技术要点分析
人工智能·无人机·科普·高科技·云卓科技
森焱森11 小时前
无人机三轴稳定化控制(1)____飞机的稳定控制逻辑
c语言·单片机·算法·无人机
通信与导航11 小时前
无人机Ku相控阵卫星通信系统技术说明
无人机·信息与通信·射频工程·基带工程
阿木实验室11 小时前
Science Robotics发表 | 20m/s自主飞行+避开2.5mm电线的微型无人机!
无人机·机器人前沿
云卓SKYDROID11 小时前
无人机RTK技术要点与难点分析
人工智能·无人机·科普·高科技·云卓科技
学技术的大胜嗷1 天前
离线迁移 Conda 环境到 Windows 服务器:用 conda-pack 摆脱硬路径限制
人工智能·深度学习·yolo·目标检测·机器学习
森焱森1 天前
无人机三轴稳定控制(2)____根据目标俯仰角,实现俯仰稳定化控制,计算出升降舵输出
c语言·单片机·算法·架构·无人机