一、任务描述

通过机器视觉的方式实现对工件的识别，以树莓派作为上位机，根据不同的识别效果对下位机发出不同指令，控制整个机器的运转，流程如下：

二、数据集获取

这是老师发的零件，所以网上肯定没有直接能用的模型，不像口罩检测等有现成的数据集，所以我们需要自己去获取数据集。由于我们的零件只有两个，如果我们想获取大量图片话，我们可以通过旋转的方式，我设置每张图片每旋转10度生成一张新的照片，这样没拍一张照片就可以生成36张照片，扩大了数据集的来源。之后用labelImg对图片进行标注，这样我们就获取了大量的数据集和对应的标签txt文件，我按照test：train：val = 1:8:2的比例分配图片。这样我们的数据集就准备好了。

三、Yolov5模型训练

由于yolov5创作者将模型代码开源，所有我们可以拿来直接用，只需要修改train和val的路径，需改成自己的，以及类别的数量，我这里分为两类，所以是2，标签名称就是对应的颜色，blue和red。我选用的是yolov5s这个模型，模型更加轻便，检测速度更快，同样设置类别数量为2.准备好之后，我们就开始训练了，由于我是直接拿cpu来训练的，训练时产在5.7个小时左右，如果用GPU的话速度可以提高不少。

四、模型训练结果

从图中我们可以看到，无论是准确率还是召回率都接近了100%,平均mAp达到0.995，说明模型的识别效果很好，对于我们的工件识别的任务能够很好的完成。

五、检测效果

从视频中我们可以看到，红色和蓝色的工件被识别出来，红色的打上red的标签，蓝色的打上blue的标签，数字代表精度，基本上在0.8以上，是一个比较理想的结果。对视频进行逐帧检测，每一帧的识别效果都很好。这是模型在笔记本上运行的结果，到此我们的Yolov5模块就算告一段落，接下来的问题就是怎么让它在树莓派上完美运行起来。

六、树莓派环境搭建

这是我第一次接触树莓派，又是第一次接触Linux，所有遇到了很多问题，有时候一个问题都要一整天的时间才能够解决。我将这个学习过程，以及遇到的各种疑难杂症都记录下来，发在了csdn上面，希望可以给你们带来帮助。链接如下：Yolov5移植树莓派4B问题总结  Raspberry Pi 4B树莓派学习笔记

我选用的环境是树莓派的64位操作系统，这样的好处是opencv的下载很方便，经过长时间的摸索，我发现Pytorch很难在32位操作系统上安装，即使安装成功也没办法运行。所以我选择的是树莓派64位操作系统，安装了openv和pytorch。

七、Yolov5移植树莓派

环境准备好之后就要进行Yolov5的移植，首先通过vncviewer与树莓派连接，这样我们通过电脑就能控制树莓派，这里出问题的可以看我上面两篇博客。

通过顶端的文件传输将训练好的pt模块传到树莓派上，用linux cd命令进入到yolo所在文件夹中，输入运行指令，python3 运行detect文件，权重文件就用我们刚刚传入的best.pt文件，source为0就是调用我们树莓派上安装的CSI摄像头。之后按回车就可以运行了。

八、树莓派检测效果

我们来看一下检测效果：左边是检测的环境，树莓派搭载csi摄像头获取图像，下面这张图片就是检测时的一张图片，可以看到，红色的零件被识别出来打上了red的标签，蓝色的零件也被识别出来打上蓝色的标签，我们可以利用这两个标签给下位机发出不同的指令，完成指定的任务。

总结

项目主要是Yolov5进行目标检测，之后用树莓派作为上位机，将模型移植树莓派进行识别，控制下位机的运转。过程中遇到数不尽的问题，有硬件上的，有软件上的，常常一个问题就是一天，这个过程是痛苦的，但好在结果是满意的。在检测的时候还发现Yolov5模型的识别速度确实有点慢，笔记本电脑都有点带不动，树莓派上更是卡顿，2-3秒才能检测一张图片。后面优化方向有两个，一个是优化模型，采用yolo-lite模型，一个是优化方法采用opencv模板匹配的方式去识别，不涉及深度学习速度应该会快很多。当然这是后话，人工智能还有很多地方我都没有学习，甚至都没有听过，现在还只是一个小白，继续加油吧！