网站开发的基本流程和步骤,中国中小企业网站官网,吉林网站备案,线上营销方式6种欢迎大家阅读2345VOR的博客【Ubuntu18.04使用yolov5教程】#x1f973;#x1f973;#x1f973;2345VOR鹏鹏主页#xff1a; 已获得CSDN《嵌入式领域优质创作者》称号#x1f47b;#x1f47b;#x1f47b;#xff0c;座右铭#xff1a;脚踏实地#xff0c;仰望星空… 欢迎大家阅读2345VOR的博客【Ubuntu18.04使用yolov5教程】2345VOR鹏鹏主页 已获得CSDN《嵌入式领域优质创作者》称号座右铭脚踏实地仰望星空本文章属于《Ubuntu学习》和《ROS机器人学习》 这里主要是记录Ubuntu下简单使用yolov5测试检测效果的过程我是使用realsense d435i摄像头的RGB图像。 1. 前言
Ubuntu环境搭建 【经典Ubuntu20.04版本U盘安装双系统教程】 【Windows10安装或重装ubuntu18.04双系统教程】 【Ubuntu同步系统时间】 【Ubuntu中截图工具】 【Ubuntu安装QQ】 【Ubuntu安装后基本配置】 【Ubuntu启动菜单的默认项】 【ubuntu系统中修改hosts配置】 【18.04Ubuntu中解决无法识别显示屏】 【ROS 开发神器 Visual Studio Code 的安装和设置】 【基于Ubuntu18.04Melodic的realsense D435安装】 【Ubuntu18配置Anaconda深度学习环境】 ROS学习笔记 【1. Ubuntu18.04安装ROS Melodic】 【2. 在Github上寻找安装ROS软件包】 【3. 初学ROS年轻人的第一个Node节点】 【4. ROS的主要通讯方式Topic话题与Message消息】 【5. ROS机器人的运动控制】 【6. 激光雷达接入ROS】 【7. ROS 中的 IMU 惯性测量单元消息包】
我在Ubuntu下配置深度环境的过程可参考
【Ubuntu18配置Anaconda深度学习环境】
本篇文章主要参考
Ubuntu下使用yolov5 https://github.com/ultralytics/yolov5
这里参考的github上的yolo v5程序版本和功能比较全面图片、视频、摄像头实时画面都可以使用可以以这个程序为基础进行修改。
2. yolov5源码配置
源码地址; https://github.com/ultralytics/yolov5
2.1 下载文件
首先使用CTRLaltt命令下载文件到~/yolov5_test文件夹下然后准备开始VScode配置和安装相关依赖
git clone https://github.com/ultralytics/yolov5.git yolov5_test
主目录如下文件
2.2 用VScode打开
进入主目录打开终端输入code yolo,tab 回车用vscode打开vscode可参考 【ROS 开发神器 Visual Studio Code 的安装和设置】 首先使用CTRLshiftp命令 打开命令交互面板 在命令面板中可以输入命令进行搜索(中英文都可以)然后执行。命名面板中可以执行各种命令包括编辑器自带的功能和插件提供的功能 在打开的命令面板中输入下述命令如下图所示
Python: Select Interpreter选择已经配置好的torch环境可参考 【Ubuntu18配置Anaconda深度学习环境】 然后ctrlshift 打开终端
期待下面的操作啦
2.3 安装相关依赖
接着上面的操作在终端中输入下面指令下载相关依赖。如下是添加了清华镜像下载速度比国外源快。
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple --ignore-installed一定要完全安装需要下载好几个G的文件包否则后面实验会报乱七八糟的错误。反馈如下
3. 运行detect例子
3.1 语法说明
详细的可以参考https://github.com/ultralytics/yolov5中的README.md
source是选择测试例的来源
$ python detect.py --source 0 # webcamimg.jpg # imagevid.mp4 # videopath/ # directorypath/*.jpg # globhttps://youtu.be/Zgi9g1ksQHc # YouTubertsp://example.com/media.mp4 # RTSP, RTMP, HTTP streamweights是选择模型如果weights文件夹里有权重则直接使用没有就下载,PyTorch框架的权重文件后缀为.pt,也可等运行时自动下载
# weights: yolov5m, yolov5l, yolov5x, custom
python3 detect.py --source ./data/images/ --weights weights/yolov5s.pt3.2 测试图片
图片在/data/images文件下分别是如下两张
在终端输入如下
clear
python3 detect.py --source ./data/images/ --weights weights/yolov5s.pt效果 (mytorch) robotms:~/yolov5_test$ python3 detect.py --source ./data/images/ --weights weights/yolov5s.pt
detect: weights[weights/yolov5s.pt], source./data/images/, datadata/coco128.yaml, imgsz[640, 640], conf_thres0.25, iou_thres0.45, max_det1000, device, view_imgFalse, save_txtFalse, save_confFalse, save_cropFalse, nosaveFalse, classesNone, agnostic_nmsFalse, augmentFalse, visualizeFalse, updateFalse, projectruns/detect, nameexp, exist_okFalse, line_thickness3, hide_labelsFalse, hide_confFalse, halfFalse, dnnFalse, vid_stride1
YOLOv5 v7.0-162-gc3e4e94 Python-3.8.0 torch-2.0.0cu117 CUDA:0 (NVIDIA GeForce RTX 3060, 12051MiB)Fusing layers...
YOLOv5s summary: 213 layers, 7225885 parameters, 0 gradients
image 1/2 /home/robot/yolov5_test/data/images/bus.jpg: 640x480 4 persons, 1 bus, 29.9ms
image 2/2 /home/robot/yolov5_test/data/images/zidane.jpg: 384x640 2 persons, 2 ties, 29.0ms
Speed: 0.3ms pre-process, 29.5ms inference, 0.5ms NMS per image at shape (1, 3, 640, 640)
Results saved to runs/detect/exp14检测出图片内容如下效果还不错一张0.03秒基本都识别出来了。
image 1/2 /home/robot/yolov5_test/data/images/bus.jpg: 640x480 4 persons, 1 bus, 29.9ms
image 2/2 /home/robot/yolov5_test/data/images/zidane.jpg: 384x640 2 persons, 2 ties, 29.0ms
Speed: 0.3ms pre-process, 29.5ms inference, 0.5ms NMS per image at shape (1, 3, 640, 640)3.3 测试RealSense摄像头实时图像
RealSense摄像头可以采用以下教程配置主要调用SDK 的图像配置。 【基于Ubuntu18.04Melodic的realsense D435安装】 在上面终端输入如下,首先查看USB占用情况
lsusb红外画面测试及效果
在上面终端输入如下,红外画面测试
python3 detect.py --source 2 --weights weights/yolov5m.pt效果 ctrlc中止当前终端任务
RGB画面测试及效果 在上面终端输入如下,RGB画面测试
python3 detect.py --source 4 --weights weights/yolov5m.pt效果 注意事项 对于深度相机不能像普通的usb相机一样opencv打开id直接为0。对于id为2时打开的是红外的画面id为4打开的是RBG画面。
