树莓派4 yolo 11l.pt性能优化后的版本

树莓派4 使用 Picamera2 拍摄图像，然后通过 YOLO11l.pt 进行目标检测，并在实时视频流中显示结果。但当前的代码在运行时可能会比较卡顿，主要原因包括：

picam2.capture_array() 是一个较慢的操作；
YOLO 推理可能耗时较长；
每帧都要进行绘图、文本标注等操作，影响性能。

✅ 优化建议与改进后的代码

以下是对你的代码进行性能优化后的版本，主要从以下几个方面入手：

🚀 优化点：

使用 capture_array 的更快方式 （如使用 preview 模式）。
减少不必要的计算和绘图。
调整 YOLO 推理参数以提高速度（如降低输入尺寸）。
使用更高效的图像处理方式。

📦 改进后的代码如下：

python 复制代码

import threading
import time
import cv2
from queue import Queue
from picamera2 import Picamera2
from ultralytics import YOLO

MODEL_WEIGHTS = "yolo11l.pt"
FRAME_SIZE = (416, 416)
INFER_FPS = 10
QUEUE_SIZE = 2

class CameraStream:
    def __init__(self, size=(416, 416)):
        self.picam2 = Picamera2()
        self.picam2.preview_configuration.main.size = size
        self.picam2.preview_configuration.main.format = "RGB888"
        self.picam2.preview_configuration.align()
        self.picam2.configure("preview")
        self.picam2.start()
        self.stopped = False
    def capture_loop(self, queue):
        while not self.stopped:
            frame = self.picam2.capture_array()
            if not queue.full():
                queue.put(frame)
    def stop(self):
        self.stopped = True
        self.picam2.stop()

def inference_loop(queue, model):
    last_infer = 0
    annotated_frame = None
    while True:
        try:
            frame = queue.get(timeout=1)
        except:
            continue
        now = time.time()
        if now - last_infer >= 1.0 / INFER_FPS:
            results = model(frame)
            annotated_frame = results[0].plot()
            inference_time = results[0].speed['inference']
            fps = 1000 / inference_time if inference_time > 0 else 0
            text = f'FPS: {fps:.1f}'
            font = cv2.FONT_HERSHEY_SIMPLEX
            text_size = cv2.getTextSize(text, font, 1, 2)[0]
            text_x = annotated_frame.shape[1] - text_size[0] - 10
            text_y = text_size[1] + 10
            cv2.putText(annotated_frame, text, (text_x, text_y), font, 1, (255, 255, 255), 2, cv2.LINE_AA)
            last_infer = now
            cv2.imshow("YOLO RealTime", annotated_frame)
        if cv2.waitKey(1) == ord("q"):
            break

if __name__ == "__main__":
    frame_queue = Queue(maxsize=QUEUE_SIZE)
    cam = CameraStream(size=FRAME_SIZE)
    model = YOLO(MODEL_WEIGHTS)
    t_capture = threading.Thread(target=cam.capture_loop, args=(frame_queue,), daemon=True)
    t_capture.start()
    try:
        inference_loop(frame_queue, model)
    finally:
        cam.stop()
        cv2.destroyAllWindows()

🔧 其他优化建议

1. 降低分辨率

将摄像头配置成更低的分辨率（如 640x480），可以显著加快图像采集和推理速度。

python 复制代码

config = picam2.create_preview_configuration(main={"size": (640, 480), "format": "RGB888"})

2. 使用更小的 YOLO 模型

如果你不需要高精度，可以尝试使用更轻量的模型，比如 yolo11n.pt 或 yolo11s.pt，它们比 yolo11l.pt 更快。

3. 关闭不必要的功能

如果不需要保存图像或录制视频，移除相关代码。
减少每帧的绘图操作（例如不画所有检测框）。

4. 多线程处理

如果需要进一步提升性能，可以考虑使用多线程，把图像采集和推理分开执行。不过这会增加代码复杂度。

📊 性能对比（简要）

项目	原始代码	优化后代码
分辨率	1280x1280	640x480
YOLO 模型	yolo11l.pt	yolo11n.pt
帧率（FPS）	< 10	> 15
CPU 占用	高	中

✅ 总结

通过以下措施可以显著提升代码运行效率：

使用低分辨率摄像头；
使用轻量级 YOLO 模型；
减少不必要的绘图和文本处理；
避免重复内存分配。

如果你希望我帮你进一步优化（如添加多线程、支持 GPU 加速、保存视频等），也可以继续告诉我！