香橙派部署yolov

### 部署YOLOv模型于香橙派（Orange Pi） #### 准备工作 为了确保在香橙派上成功部署YOLOv模型，需先确认设备已正确配置并能够访问互联网以便下载必要的软件包和库文件。建议通过Xshell或其他SSH客户端建立与香橙派之间的稳定连接[^2]。 #### 安装操作系统和支持工具 通常情况下，推荐使用Armbian作为香橙派的操作系统，因为它提供了良好的硬件支持以及社区维护的良好记录。完成系统的刷写之后，更新现有软件包列表： ```bash sudo apt update && sudo apt upgrade -y ``` 接着安装一些基础开发环境组件，如Git用于获取项目源码，CMake帮助编译第三方库等： ```bash sudo apt install git cmake build-essential -y ``` #### 设置Python虚拟环境 创建独立的Python虚拟环境有助于隔离不同项目的依赖关系，减少冲突的可能性。这里采用`virtualenv`来构建一个新的虚拟环境： ```bash pip3 install virtualenv virtualenv yolo_env source ./yolo_env/bin/activate ``` 激活后的环境中可以安全地安装特定版本的Python包而不会影响全局设置。 #### 获取YOLOv代码仓库 进入目标目录克隆官方GitHub上的YOLOv5仓库至本地机器： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 ``` #### 安装依赖项 按照README.md中的指导，在新打开的终端窗口内执行如下命令以安装所需的PyTorch及相关扩展模块： ```bash pip install -r requirements.txt ``` 这一步骤会自动处理大部分复杂的依赖问题，简化后续的工作流程。 #### 测试模型推理功能 最后验证整个框架能否正常运作非常重要。可以从网上找一张图片或者视频片段来进行简单的对象检测实验： ```python from pathlib import Path import torch from models.experimental import attempt_load from utils.general import check_img_size, non_max_suppression, scale_coords from utils.torch_utils import select_device from utils.datasets import letterbox, LoadImages weights = 'yolov5s.pt' # 权重路径 imgsz = 640 # 输入图像尺寸 conf_thres = 0.25 # 置信度阈值 iou_thres = 0.45 # NMS IOU阈值 device = '' # 设备选择('cpu', 'cuda') # 初始化 half = device != 'cpu' device = select_device(device) model = attempt_load(weights, map_location=device) # 加载FP32模型 stride = int(model.stride.max()) # 模型最大步幅 imgsz = check_img_size(imgsz, s=stride) if half: model.half() dataset = LoadImages(source='data/images/zidane.jpg') for path, img, im0s, vid_cap in dataset: img = torch.from_numpy(img).to(device) img = img.half() if half else img.float() img /= 255.0 if img.ndimension() == 3: img = img.unsqueeze(0) pred = model(img)[0] pred = non_max_suppression(pred, conf_thres, iou_thres) for det in pred: if len(det): det[:, :4] = scale_coords( img.shape[2:], det[:, :4], im0s.shape).round() print("Inference completed.") ``` 上述脚本实现了基本的对象识别任务，并打印出推断结束的信息。如果一切顺利，则说明YOLOv已经可以在香橙派平台上运行了。