香橙派5 yolov5

### Orange Pi 5 YOLOv5 ROS 开发教程和配置方法 #### 准备工作 为了在Orange Pi 5上顺利进行YOLOv5与ROS的开发，首先需要确保Ubuntu环境已正确安装并运行。根据官方文档描述，在使用RKDevTool完成烧录后，系统会自动启动至Ubuntu，并提供默认登录凭证[^2]。 #### 安装依赖库 进入终端执行更新命令以获取最新软件包列表： ```bash sudo apt update && sudo apt upgrade -y ``` 接着安装必要的构建工具和其他依赖项： ```bash sudo apt install build-essential cmake git wget unzip pkg-config libopencv-dev python3-pip -y pip3 install numpy opencv-python matplotlib torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu ``` #### 配置ROS环境 下载并编译ROS Noetic版本（适用于Ubuntu 20.04），这一步骤对于后续集成至关重要： ```bash sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' wget https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc -O - | sudo apt-key add - sudo apt update sudo apt install ros-noetic-desktop-full -y source /opt/ros/noetic/setup.bash echo "source /opt/ros/noetic/setup.bash" >> ~/.bashrc ``` #### 获取YOLOv5源码及其ROS封装 克隆GitHub上的YOLOv5仓库以及对应的ROS节点实现： ```bash cd ~/ git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip3 install -r requirements.txt cd .. git clone https://github.com/leggedrobotics/rviz_yolo_ros.git ``` #### 编写CMakeLists.txt文件支持交叉编译 考虑到硬件平台差异可能带来的兼容性问题，适当调整`rviz_yolo_ros/CMakeLists.txt`内的路径设置，使其适应ARM架构下的编译需求。 #### 测试USB摄像头连接情况 参照香橙派AIpro的相关记录，切换到指定样本目录下验证设备是否正常工作[^3]: ```bash cd ~/EdgeAndRobotics/Samples/YOLOV5USBCamera python3 usbcam_test.py ``` 如果一切顺利，则说明相机驱动程序加载无误，图像流能够被正确捕获处理。 #### 启动YOLOv5检测服务 最后通过ROS launch脚本一键部署整个流水线： ```xml <launch> <!-- 加载YOLO模型 --> <node name="detector_node" pkg="rviz_yolo_ros" type="detector_node" output="screen"> <param name="model_path" value="$(find rviz_yolo_ros)/weights/best.pt"/> <remap from="/image_raw" to="/usb_cam/image_raw"/> </node> <!-- 显示结果窗口 --> <node name="rviz" pkg="rviz" type="rviz" args="-d $(find rviz_yolo_ros)/config/detection.rviz"/> </launch> ``` 保存上述XML片段为`.launch`文件格式，放置于合适位置以便调用；之后即可利用`roslaunch`指令触发完整的视觉识别过程。

### 配置和运行YOLOv5以利用香橙派5 NPU加速 #### 准备工作 为了能够在香橙派5上顺利部署并使用YOLOv5进行物体检测，需要完成一系列准备工作。这包括但不限于安装必要的软件包、设置开发环境以及转换模型格式。 #### 安装依赖项 确保操作系统是最新的，并安装Python和其他必需的库。对于深度学习框架的支持，通常建议采用官方推荐的方式或者社区验证过的方案来构建适合NPU硬件特性的优化版本[^1]。 #### 转换模型至RKNN格式 由于香橙派5内置Rockchip NPU，因此需将训练好的YOLOv5 PyTorch模型转化为`.rknn`文件以便于后续加载到设备上的神经网络处理单元中执行高效运算。具体操作可以参照相关文档说明来进行模型转制过程。 ```bash pip install rknn-toolkit2 ``` 接着通过命令行工具或API接口调用方式把预训练权重导出成兼容格式： ```python from models.experimental import attempt_load import torch weights = 'yolov5s.pt' # 替换成自己的路径 model = attempt_load(weights, map_location=torch.device('cpu')) input_shape = (1, 3, 640, 640) # 导出为ONNX格式作为中间件 torch.onnx.export( model, torch.randn(input_shape), './yolov5s.onnx', opset_version=11, do_constant_folding=True, input_names=['images'], output_names=['output'] ) ``` 再进一步借助RKNN Toolkit提供的功能继续转化直至获得最终的目标文件`best.rknn`。 #### 加载与推断 当一切准备就绪后，在应用程序里初始化RKNN对象实例化所创建出来的模型实体；随后按照实际需求编写图像输入获取逻辑（比如来自摄像头）、前向传播计算预测结果最后解析输出边界框信息等步骤即可实现完整的实时识别流程。 ```python from rknn.api import RKNN rknn = RKNN() ret = rknn.load_rknn('./best.rknn') if ret != 0: print('Load RKNN model failed!') exit(ret) ret = rknn.init_runtime(core_mask=RKNN.NPU_CORE_0) if ret != 0: print('Init runtime environment failed!') exit(ret) img = cv2.imread('test.jpg') # 图片读取部分可根据实际情况调整 outputs = rknn.inference(inputs=[img]) boxes = parse_yolo_output(outputs) # 解析函数定义省略 draw_boxes(img, boxes) # 绘图展示结果同样视项目而定 cv2.imshow('result', img) cv2.waitKey(0) ``` 上述代码片段展示了基本的应用场景搭建思路，其中涉及到了几个重要环节如模型加载、运行时初始化还有具体的推理业务逻辑编码。 #### 性能考量 考虑到香橙派AIpro在CPU资源分配方面的情况——即使是在较为复杂的任务环境下也能保持较低水平的核心利用率及良好的响应速度特性[^2]，这意味着即便增加了额外负载用于视觉分析也不会显著影响系统的整体稳定性。与此同时，得益于其优秀的网络性能表现能够保障外部数据源接入顺畅无阻塞现象发生从而更好地服务于在线应用场景下的即时反馈要求[^3]。