目标检测在计算机视觉领域中具有重要意义。YOLOv5（You Only Look One-level）是目标检测算法中的一种代表性方法，以其高效性和准确性备受关注，并且在各种目标检测任务中都表现出卓越的性能。本文将详细介绍如何在性能更强的计算机上训练YOLOv5模型，并将训练好的模型部署到树莓派4B上，通过树莓派的摄像头进行实时动物目标检测。
一、在电脑上训练YOLOv5模型
1. 安装Anaconda
在性能更强的计算机上安装Anaconda，方便管理Python环境和依赖。
- 从Anaconda官网（https://www.anaconda.com/products/distribution）下载适用于你操作系统的安装包。
- 运行安装包并按照提示完成安装。
- 安装完成后，打开终端或命令提示符，输入以下命令验证安装是否成功：
conda --version
2. 创建虚拟环境
创建一个独立的虚拟环境，用于安装YOLOv5及其依赖项：
conda create -n yolov5 python=3.9 -y conda activate yolov5
3. 下载YOLOv5代码
从GitHub上克隆YOLOv5代码仓库：
git clone https://github.com/ultralytics/yolov5.git cd yolov5
4. 安装依赖包
在虚拟环境中安装YOLOv5所需的依赖包：
pip install -r requirements.txt
5. 准备训练数据
准备好你的数据集，并确保数据集按照YOLOv5要求的格式进行组织。YOLOv5的训练数据通常包括图像文件和对应的标签文件，标签文件采用YOLO格式，每行表示一个目标对象，包括类别ID和归一化后的边界框坐标。
数据标注的过程通俗来讲就是給图片画框的过程，框出需要识别到的部分，然后打上标签，比如图片里有一头牛，那就把牛框起来然后命名框的标签为牛。
6. 开始训练
PyCharm打开yolov5项目新建项目，项目路径(Location)为GitHub上下载的yolov5项目路径。
修改虚拟环境新建好项目之后，我们打开设置。
找到Python Interpreter，修改为我们在Anaconda自行创建的yolov5的虚拟环境。
如果下拉框里没有，我们就在Add Interpreter里新增。
训练测试数据
① 下载预训练模型
预训练模型地址：https://github.com/ultralytics/
选择你所需要的模型下载即可，这里我选择yolov5s.pt下载。
下载好之后放到我们yolov5的项目目录下。
② 训练数据
右键train.py，点击run运行。
运行成功后如图，训练结果保存在runs\train\exp文件夹里。
其中weights里存储两个训练出的模型，分别为best.pt和last.pt，顾名思义，best.pt为跑出来结果最好的模型。
二、将模型部署到树莓派
1. 复制模型到树莓派
将训练好的模型文件best.pt复制到树莓派上。可以使用SCP命令或直接将文件复制到SD卡中。例如，使用SCP命令：
scp runs/train/exp/weights/best.pt pi@<your-raspberry-pi-ip>:/home/pi/yolov5/
2. 配置树莓派环境
在树莓派上安装必要的依赖和配置环境。首先，确保树莓派已安装Raspberry Pi OS。
安装Anaconda
下载并安装Anaconda（或Miniconda），用于管理Python环境：
wget https://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.sh bash Anaconda3-2021.05-Linux-x86_64.sh
安装过程中按照提示操作，并将Anaconda添加到系统PATH中。
创建虚拟环境并安装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、通过摄像头进行实时检测
1. 配置摄像头
确保树莓派连接了摄像头模块，并启用摄像头接口。在树莓派终端中运行以下命令进入Raspberry Pi配置工具：
sudo raspi-config
选择Interface Options，然后选择Camera，启用摄像头接口。重启树莓派以使配置生效。
2. 运行实时检测
在YOLOv5项目目录下，使用以下命令运行实时检测脚本：
python detect.py --weights best.pt --source 0
--source 0 指定使用摄像头作为输入源。检测结果将实时显示在屏幕上，并保存到runs/detect/exp目录中。
四、总结
通过以上步骤，我们成功地在性能更强的计算机上训练了YOLOv5模型，并将训练好的模型部署到树莓派4B上，利用树莓派的摄像头实现了实时动物目标检测。这一过程展示了从环境配置、数据准备、模型训练到模型部署和实时推理的完整流程。通过本文的介绍，相信读者能够掌握在树莓派上部署YOLOv5进行动物目标检测的完整流程。这一技术在智能家居、安防监控、农业监测等领域具有广泛的应用前景。希望本文能够为你的项目开发提供帮助和参考。
