使用香橙派AIpro做目标检测

香橙派AIpro开发板介绍

​ OrangePi AIpro(8-12T)作为一款集成昇腾 AI 技术的开发板，其搭载了 4 核 64 位 CPU 与 AI 处理器，并配备图形 GPU，具备 8 - 12TOPS 的 AI 计算能力。它支持 8GB 或 16GB 的 LPDDR4X 内存，且可扩展至不同容量的 eMMC 模块。此外，该开发板具备双 4K 视频输出能力。

​ 在接口方面，OrangePi AIpro 提供了丰富多样的选择，涵盖双 HDMI、GPIO、Type-C 电源、M.2 插槽（兼容 SATA/NVMe SSD）、TF 卡槽、千兆以太网、USB3.0、USB Type-C、Micro USB（串口功能）、MIPI 摄像头和显示屏接口，以及电池接口预留。

​ 该开发板在 AI 计算、深度学习、视频分析、自然语言处理、智能机器人、无人机、云计算、AR/VR、智能安防和家居等众多 AIoT 领域均具有广泛的适用性。它支持 Ubuntu 和 openEuler 操作系统，适宜于 AI 算法原型和应用的开发。

---

接下来让我们一同领略开发板的外观

如需获取更多香橙派 AIpro的详细信息，可前往官网查阅

香橙派AIpro官网

香橙派AIpro应用体验

好的，下面我们开启体验之旅

---

• 前期准备
  • 开发板及数据线（购买时随附）
  • HDMI 转接口与显示幕（亦可通过 VNC 连接）
  • 网线（可采用共享网络的方式）

我收到的开发板：

1、插上电源后，我们的屏幕上就会出现登录界面

2、我们输入账户和密码（账户会给你默认写好）

默认账户名：HwHiAiUser

默认密码：Mind@123

输入后我们就可以进入桌面

3、我们可以点击右上角连接WiFi

4、最后我们就可以开始体验

---

香橙派 AIpro支持多种编程语言和软件开发环境，例如 Python、Jupyter、C 等，这使得开发者能够依据自身需求选取适宜的操作系统和开发工具。

下面我体验了香橙派 AIpro的 AI 支持功能。

---

快速体验香橙派的AI功能

我们先用ssh连接香橙派

进入后，我们在进入目录 samples/notebooks/

 cd samples/notebooks/

编辑启动文件

 vim start_notebook.sh 
#这下面是内容
. /usr/local/Ascend/ascend-toolkit/set_env.sh
export PYTHONPATH=/usr/local/Ascend/thirdpart/aarch64/acllite:$PYTHONPATHif [ $# -eq 1 ];thenjupyter lab --ip $1 --allow-root --no-browser
elsejupyter lab --ip 0.0.0.0 --allow-root --no-browser
fi

需要设置 --ip 0.0.0.0 ，不然自己电脑上就没法进入到可视化界面了

可以看到香橙派给我们集成了很多基础开发软件

快速体验了里面的语音自动识别

在整个运行中，香橙派的响应速度还是比较快的，这一点很不错，能提升工程师的效率

下面我们将会重点讲解在香橙派AIpro中做目标检测。

YOLOV5s目标检测使用场景描述

YOLOv5s 目标检测模型在众多领域都有着广泛的应用。

在安防监控中，能够迅速识别出异常行为或可疑人员，保障公共安全。

在交通领域，可用于实时监测道路上的车辆、行人及交通标志，为智能交通系统提供关键信息。

在工业生产线上，能对产品进行质量检测，提高生产效率和产品质量。

在农业领域，可用于监测农作物的生长状况和病虫害情况。

图像目标检测

我们采用 YOLOv5s 目标检测算法来实现对叶子上的害虫进行识别

我们依循以下几个步骤进行处理：

• 加载模型
• 处理输入图像
• 执行检测
• 绘制检测结果并显示或保存结果

以下为参考代码，您可根据自身需求进行修改：

def load_model(weights_path, device_id):"""加载模型并返回模型对象"""device = select_device(device_id)model = attempt_load(weights_path, map_location=device)return modeldef process_image(img, model, names, img_size, stride):"""处理图像，进行目标检测，并返回标记后的图像"""img = torch.from_numpy(img).to(device).float() / 255.0img = img.unsqueeze(0)  # 增加批次维度pred = model(img)[0]pred = non_max_suppression(pred, 0.4, 0.5, classes=None, agnostic=False)annotated_img = img.copy()  # 复制原始图像以进行标注for *xyxy, conf, cls in reversed(pred):  # 遍历检测结果label = f'{names[int(cls)]} {conf:.2f}'plot_one_box(xyxy, annotated_img, label=label, color=(255, 0, 0), line_thickness=3)return annotated_imgdef plot_one_box(xyxy, img, label, color, line_thickness):"""在图像上绘制检测框和标签"""x1, y1, x2, y2 = xyxycv2.rectangle(img, (x1, y1), (x2, y2), color, line_thickness)cv2.putText(img, label, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, line_thickness)def main(weights_path, source_path, device_id='cpu'):"""主函数，用于加载模型、处理视频或图像流，并显示结果"""model = load_model(weights_path, device_id)stride = int(model.stride.max())imgsz = check_img_size(640, s=stride)names = model.module.names if hasattr(model, 'module') else model.namesdataset = LoadStreams(source_path, img_size=imgsz, stride=stride)for path, img, im0s, vid_cap in dataset:try:annotated_img = process_image(img, model, names, imgsz, stride)cv2.imshow('Object Detection', annotated_img)cv2.waitKey(1)  # 1ms延迟except Exception as e:print(f"Error processing frame {path}: {e}")cv2.destroyAllWindows()if __name__ == '__main__':# 替换为你的模型权重文件路径和视频或图像文件路径weights_path = 'path_to_your_yolov5s_weights.pt'source_path = 'path_to_your_video_or_image'main(weights_path, source_path)

我们运行main

稍等片刻，运行结果便会呈现

如果发现框住的害虫不够

造成这一现象的原因可能在于：

• 置信度阈值设置得太高
• 模型训练数据不足
• 非极大值抑制
• 等等

存在此类问题的朋友，可参考以下代码片段尝试解决：

# 原始的non_max_suppression调用
pred = non_max_suppression(pred, conf_thres=0.5, iou_thres=0.4, classes=None, agnostic=False)# 调整置信度阈值和NMS阈值
conf_thres = 0.3  # 降低置信度阈值
iou_thres = 0.3   # 降低NMS阈值
pred = non_max_suppression(pred, conf_thres=conf_thres, iou_thres=iou_thres, classes=None, agnostic=False)

视频目标检测

使用 YOLOv5s 算法识别视频中正在打篮球的人员

我们依照如下步骤进行处理：

• 加载 YOLOv5s 模型
• 读取视频流
• 处理视频帧
• 绘制检测框
• 显示或保存结果

以下为参考代码，您可根据自身需求进行修改：

# 函数定义
def detect(frame, model, names, img_size, device):# 模型输入处理img = torch.from_numpy(cv2.resize(frame, (img_size, img_size))).to(device).float()  # 调整大小并转换为模型需要的格式img /= 255.0  # 归一化img = img.unsqueeze(0)  # 增加批次维度# 模型推理pred = model(img)[0]pred = non_max_suppression(pred, 0.4, 0.5)  # 应用NMS# 绘制检测框for det in pred:det[:, :4] = scale_coords(img.shape[2:], det[:, :4], frame.shape).round()  # 将坐标映射回原图for *xyxy, conf, cls in reversed(det):label = f"{names[int(cls)]} {conf:.2f}"cv2.rectangle(frame, (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])), (255, 0, 0), 2)cv2.putText(frame, label, (int(xyxy[0]), int(xyxy[1])), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)# 主函数
def main(weights, source, img_size=640, conf_thres=0.4, iou_thres=0.5):# 加载模型device = select_device('')model = attempt_load(weights, map_location=device)  # 加载模型names = model.module.names if hasattr(model, 'module') else model.names  # 获取类别名称# 检查图像大小img_size = check_img_size(img_size, s=model.stride.max())  # 确保图像大小符合模型要求# 读取视频cap = LoadStreams(source, img_size=img_size)# 处理视频帧while cap.isOpened():frame = cap.read()if frame is None:breakdetect(frame, model, names, img_size, device)# 显示结果cv2.imshow('YOLOv5s Detection', frame)if cv2.waitKey(1) & 0xFF == ord('q'):  # 按'q'退出breakcap.release()cv2.destroyAllWindows()# 入口点
if __name__ == '__main__':# 替换为你的模型权重文件路径和视频源weights = 'yolov5s.pt'source = 0 main(weights, source)

程序会处理单帧图像，进行目标检测然后绘制检测框，返回标注后的图像

摄像头目标检测

还可以通过摄像头录入的画面进行实时处理，由于我此处暂时未配备摄像头，故未进行演示，现可为您提供代码以供参考：

def detect_frame(frame, model, img_size, device, names):# 调整图像大小并转换为模型需要的格式frame = cv2.resize(frame, (img_size, img_size))img = torch.from_numpy(frame).to(device).float()  # 转换为模型需要的格式img /= 255.0  # 归一化img = img.unsqueeze(0)  # 增加批次维度# 模型推理with torch.no_grad():pred = model(img)[0]pred = non_max_suppression(pred, 0.4, 0.5)  # 应用NMS# 绘制检测框for det in pred:x1, y1, x2, y2, conf, cls = det.cpu()label = f"{names[int(cls)]} {conf:.2f}"plot_one_box(frame, x1, y1, x2, y2, label, color=(255, 0, 0), line_thickness=2)
def plot_one_box(frame, x1, y1, x2, y2, label, color, line_thickness):"""在图像上绘制检测框和标签"""cv2.rectangle(frame, (x1, y1), (x2, y2), color, line_thickness)cv2.putText(frame, label, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, line_thickness)
def main(weights, img_size=640, source=0):# 加载模型device = select_device('')model = attempt_load(weights, map_location=device).eval()names = model.module.names if hasattr(model, 'module') else model.names# 检查图像大小img_size = check_img_size(img_size)# 读取视频流cap = cv2.VideoCapture(source)while True:ret, frame = cap.read()if not ret:breakdetect_frame(frame, model, img_size, device, names)# 显示结果cv2.imshow('YOLOv5s Detection', frame)if cv2.waitKey(1) & 0xFF == ord('q'):  # 按'q'退出breakcap.release()cv2.destroyAllWindows()
if __name__ == '__main__':weights = 'yolov5s.pt'main(weights)

YOLOv5s 目标检测的运行结果分析

通过对这些结果的分析，可以评估模型的准确性和可靠性，如果检测框的位置准确且置信度较高，说明模型对目标的识别效果较好。如果出现漏检或误检的情况，可能需要进一步调整模型参数、增加训练数据或改进训练方法。

采用 YOLOv5s 目标检测算法来识别叶子上的害虫具有重要的实际意义和应用价值，特别是在农业领域：

早期害虫检测：通过早期识别害虫，可以及时采取措施，减少作物损失。

精准农业：精准农业依赖于精确的数据，可以帮助农户识别和定位害虫，从而实现精准施药。

---

在识别打篮球的视频检测中，通过正确的步骤处理，包括加载模型、读取视频流和处理视频帧等，能够较为准确地检测出目标，他的意义在于

训练辅助：在训练中，自动识别球员可以帮助教练更好地了解球员的训练负荷和表现，从而进行个性化的训练计划。

自动化记录：自动识别技术可以减少人工记录球员数据的需求，提高记录的准确性和效率。

香橙派 AIpro 在运行过程中的表现

香橙派 AIpro 开发板在运行 YOLOv5s 目标检测任务时，展现出了出色的性能。

内存和CPU负载表现都还不错，在最开始运行的时候会稍微高一点，会到70%左右，运行之后就会稳定一些，基本稳定在50%左右。

在负载方面，同时处理多个任务时，开发板能够较好地应对，但是对于一些比较大的任务时，会出现一定程度的性能下降，一般情况，内存和CPU使用占比低于85%，都还是能较为流畅的处理。

在散热方面，散热方面表现还是比较出色，开发板有散热风扇，长时间运行后，开发板的温度也并不是很高，在可接受范围内，关于风扇的噪音：在刚开启开发板时，风扇的声音会稍微大一点，但是系统启动后，噪音快速消失。

香橙派强大的计算能力（8-12TOPS）能够保证模型的快速推理，减少处理时间，实现了实时检测的需求。

在处理高分辨率图像和视频时，依靠其强大的CPU和GPU，依然能够保持稳定的帧率，提供了流畅的体验。

香橙派AIpro AI应用场景

香橙派AIpro开发板因其集成的华为Ascend系列AI处理器和强大的计算能力，适用于多种AI应用场景

目标检测：使用如YOLOv5s这样的轻量级网络模型，可以在边缘设备上进行实时目标检测，适用于智能监控、工业自动化等领域

图像分类：AIpro可以部署图像分类模型，用于场景识别、物体识别等任务，这在内容审核、社交媒体分析等方面有广泛应用

视频图像分析：在视频流分析中，AIpro可以进行实时视频处理，用于人流统计、行为识别等，适用于零售分析、公共安全等场景

深度学习模型推理：AIpro支持深度学习模型的快速推理，适用于需要快速响应的AI应用，如自动驾驶辅助系统、机器人视觉等

总结

​ 能够较快运行处结果得益于香橙派AIpro集成的软件环境，其中包括Python编程语言、Jupyter Notebook等交互式开发工具，以及功能强大的OpenCV图像处理库，这些工具的集成为深度学习模型的构建和实施提供了坚实的基础。同时，香橙派AIpro配备了高性能的处理器，这确保了其在处理复杂算法和处理大量数据时的优越计算能力，进而显著提高了目标检测任务的执行效率

​ 特别值得一提的是，香橙派AIpro拥有详尽的国产中文文档支持，大大降低了学习和使用的门槛，使得国内开发者能够更加顺畅地进行项目开发。而且，系统的图形化界面设计美观，提升了用户体验。