目標檢測在計算機視覺領域中具有重要意義。YOLOv5（You Only Look One-level）是目標檢測算法中的一種代表性方法，以其高效性和準確性備受關注，并且在各種目標檢測任務中都表現出卓越的性能。本文將詳細介紹如何在性能更強的計算機上訓練YOLOv5模型，并將訓練好的模型部署到樹莓派4B上，通過樹莓派的攝像頭進行實時動物目標檢測。

一、在電腦上訓練YOLOv5模型

1. 安裝Anaconda

在性能更強的計算機上安裝Anaconda，方便管理Python環境和依賴。

1.從Anaconda官網（https://www.anaconda.com/products/distribution）下載適用于你操作系統的安裝包。

2.運行安裝包并按照提示完成安裝。

3.安裝完成后，打開終端或命令提示符，輸入以下命令驗證安裝是否成功：

conda --version

2. 創建虛擬環境

創建一個獨立的虛擬環境，用于安裝YOLOv5及其依賴項：

conda create -n yolov5 python=3.9 -y conda activate yolov5

3. 下載YOLOv5代碼

從GitHub上克隆YOLOv5代碼倉庫：

git clone https://github.com/ultralytics/yolov5.git cd yolov5

4. 安裝依賴包

在虛擬環境中安裝YOLOv5所需的依賴包：

pip install -r requirements.txt

5. 準備訓練數據

準備好你的數據集，并確保數據集按照YOLOv5要求的格式進行組織。YOLOv5的訓練數據通常包括圖像文件和對應的標簽文件，標簽文件采用YOLO格式，每行表示一個目標對象，包括類別ID和歸一化后的邊界框坐標。

數據標注的過程通俗來講就是給圖片畫框的過程，框出需要識別到的部分，然后打上標簽，比如圖片里有一頭牛，那就把牛框起來然后命名框的標簽為牛。

6. 開始訓練

PyCharm打開yolov5項目

新建項目，項目路徑(Location)為GitHub上下載的yolov5項目路徑。

修改虛擬環境

新建好項目之后，我們打開設置。

找到Python Interpreter，修改為我們在Anaconda自行創建的yolov5的虛擬環境。

如果下拉框里沒有，我們就在Add Interpreter里新增。

訓練測試數據

① 下載預訓練模型

預訓練模型地址：https://github.com/ultralytics/

選擇你所需要的模型下載即可，這里我選擇yolov5s.pt下載。

下載好之后放到我們yolov5的項目目錄下。

② 訓練數據

右鍵train.py，點擊run運行。

運行成功后如圖，訓練結果保存在runs rainexp文件夾里。

其中weights里存儲兩個訓練出的模型，分別為best.pt和last.pt，顧名思義，best.pt為跑出來結果最好的模型。

二、將模型部署到樹莓派

1. 復制模型到樹莓派

將訓練好的模型文件best.pt復制到樹莓派上。可以使用SCP命令或直接將文件復制到SD卡中。例如，使用SCP命令：

scp runs/train/exp/weights/best.pt pi@:/home/pi/yolov5/

2. 配置樹莓派環境

在樹莓派上安裝必要的依賴和配置環境。首先，確保樹莓派已安裝Raspberry Pi OS。

安裝Anaconda

下載并安裝Anaconda（或Miniconda），用于管理Python環境：

wget https://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.sh bash Anaconda3-2021.05-Linux-x86_64.sh

安裝過程中按照提示操作，并將Anaconda添加到系統PATH中。

創建虛擬環境并安裝YOLOv5

conda create -n yolov5 python=3.9 -y conda activate yolov5 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt

三、通過攝像頭進行實時檢測

1. 配置攝像頭

確保樹莓派連接了攝像頭模塊，并啟用攝像頭接口。在樹莓派終端中運行以下命令進入Raspberry Pi配置工具：

sudo raspi-config

選擇Interface Options，然后選擇Camera，啟用攝像頭接口。重啟樹莓派以使配置生效。

2. 運行實時檢測

在YOLOv5項目目錄下，使用以下命令運行實時檢測腳本：

python detect.py --weights best.pt --source 0

--source 0指定使用攝像頭作為輸入源。檢測結果將實時顯示在屏幕上，并保存到runs/detect/exp目錄中。

四、總結

通過以上步驟，我們成功地在性能更強的計算機上訓練了YOLOv5模型，并將訓練好的模型部署到樹莓派4B上，利用樹莓派的攝像頭實現了實時動物目標檢測。這一過程展示了從環境配置、數據準備、模型訓練到模型部署和實時推理的完整流程。通過本文的介紹，相信讀者能夠掌握在樹莓派上部署YOLOv5進行動物目標檢測的完整流程。這一技術在智能家居、安防監控、農業監測等領域具有廣泛的應用前景。希望本文能夠為你的項目開發提供幫助和參考。