【树莓派】yolov5 Lite，目标检测，树莓派4B，推理v5lite-e_end2end.onnx，摄像头实时目标检测

文章目录

- [YOLOv5 Lite: 在树莓派上轻松运行目标检测](#YOLOv5 Lite: 在树莓派上轻松运行目标检测)
- - [1. 环境配置](#1. 环境配置)
  - [2. 克隆项目](#2. 克隆项目)
  - [3. 安装依赖项](#3. 安装依赖项)
  - [4. 下载模型权重](#4. 下载模型权重)
  - [5. 理解end2end的含义](#5. 理解end2end的含义)
  - [6. 示例推理](#6. 示例推理)
  - [7. 文件介绍](#7. 文件介绍)
  - [8. 把文件弄到树莓派4B执行](#8. 把文件弄到树莓派4B执行)
  - [9. 进一步尝试fp16的onnx（行不通）](#9. 进一步尝试fp16的onnx（行不通）)
  - [10. 视频流检测](#10. 视频流检测)

这里有大概的环境配置：
https://qq742971636.blog.csdn.net/article/details/138048132

yolov5树莓派跑不起来，用yolov5 Lite可以：
https://github.com/ppogg/YOLOv5-Lite

YOLOv5 Lite: 在树莓派上轻松运行目标检测

今天我将向您介绍如何使用YOLOv5 Lite在树莓派上进行目标检测。YOLOv5 Lite是一种轻量级目标检测模型，适用于资源受限的设备，如树莓派。在本文中，我将分享环境配置、项目克隆、模型部署以及示例推理的详细步骤。

1. 环境配置

首先，让我们配置环境以准备部署YOLOv5 Lite。以下是您需要执行的命令：

bash 复制代码

export http_proxy=http://192.168.3.2:10811
export https_proxy=http://192.168.3.2:10811

2. 克隆项目

接下来，我们将克隆YOLOv5 Lite项目。执行以下命令：

bash 复制代码

git clone https://github.com/ppogg/YOLOv5-Lite.git

3. 安装依赖项

进入项目目录并安装所需的依赖项：

bash 复制代码

cd ~/YOLOv5-Lite-master/python_demo/onnxruntime
python3 -m pip install onnx onnxruntime

4. 下载模型权重

现在，让我们下载YOLOv5 Lite的模型权重，您可以通过以下链接获取：

5. 理解end2end的含义

在YOLOv5 Lite中，我们使用end2end方法进行推理。这意味着模型内置了非极大值抑制（NMS），无需额外的后处理步骤。这样可以极大地简化代码并提高推理速度。

比如对下图的左图推理，可以得到12*6的结果：

6. 示例推理

在Windows系统上，使用YOLOv5 Lite进行推理非常快速，达到了每秒100帧的速度。这使得它成为在资源受限的设备上进行实时目标检测的理想选择。

7. 文件介绍

onnx推理不用管太多底层，不像mnn那样，所以更简单一点，经过上面的步骤，我们有如下文件：

（1）v5lite_e_onnx_end2end.py

（2）v5lite-e_end2end.onnx

执行v5lite_e_onnx_end2end.py就可以直接推理任意图片并保存，下图中的所有文件我放这里：

clike 复制代码

https://docs.qq.com/sheet/DUEdqZ2lmbmR6UVdU?u=bdf8eeb84961492ba2b62f7bfee641ea&tab=BB08J2

8. 把文件弄到树莓派4B执行

FPS只能达到9，即是每秒大概可以推理9帧图像。因为我们是onnx的fp32的运算，这个运算对树莓派来说还是比较大的，最快看宣传可以达到17帧，需要做一些量化之类的，我这里就不做了。

这是代码执行：

执行结果保存为save.jpg，打开看到：

9. 进一步尝试fp16的onnx（行不通）

是否可以使用fp16的onnx推理呢，速度会不会快一些呢，尝试一下，win上安装环境：

clike 复制代码

pip install onnxmltools  onnxconverter-common

执行python代码：

clike 复制代码

import onnxmltools
# 加载float16_converter转换器
from onnxmltools.utils.float16_converter import convert_float_to_float16
# 使用onnxmltools.load_model()函数来加载现有的onnx模型
# 但是请确保这个模型是一个fp32的原始模型
onnx_model = onnxmltools.load_model('./v5lite-e_end2end.onnx')
# 使用convert_float_to_float16()函数将fp32模型转换成半精度fp16
onnx_model_fp16 = convert_float_to_float16(onnx_model)
# 使用onnx.utils.save_model()函数来保存，
onnxmltools.utils.save_model(onnx_model_fp16, './v5lite-e_end2end_fp16.onnx')

有警告，但是文件得到了，并且是一半的大小：

执行推理失败了，说明转换的时候有的nms算子还是不能成功转换的，这一条路堵住了。

10. 视频流检测

这一步就比较简单了，建立一个文件写点opencv-python的代码，进行usb摄像头检测即可：

所使用的代码如下，其中v5lite_e_onnx_end2end.py在文档中去搜索获取_感谢

clike 复制代码

import cv2
from v5lite_e_onnx_end2end import yolov5_lite
if __name__ == '__main__':
    # 初始化摄像头
    cap = cv2.VideoCapture(0)  # 0 表示第一个摄像头，如果有多个摄像头，可以尝试不同的索引

    # 加载模型
    modelpath = 'v5lite-e_end2end.onnx'  # 模型路径
    classfile = 'coco.names'  # 类别文件路径
    net = yolov5_lite(modelpath, classfile)  # 加载模型

    # 循环读取摄像头流
    while True:
        ret, frame = cap.read()  # 读取一帧图像
        if not ret:
            break  # 如果没有读取到图像，退出循环

        # 进行检测
        detected_img = net.detect(frame)

        # 显示检测结果
        cv2.imshow('YOLOv5Lite Detection', detected_img)

        # 检测按键，如果按下 q 键则退出循环
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    # 释放摄像头并关闭所有窗口
    cap.release()
    cv2.destroyAllWindows()