Skip to main content

树莓派5 AI套件YOLOv8n目标检测教程

介绍​

YOLOv8（You Only Look Once version 8）是最受欢迎的YOLO系列实时姿态估计和目标检测模型。它在前代产品的基础上，在速度、精度和灵活性方面引入了多项改进。树莓派AI套件用于加速推理速度，配备了基于Hailo-8L芯片构建的13 TOPS神经网络推理加速器。

本wiki将指导您如何在树莓派5上使用AI套件进行YOLOv8n目标检测，从训练到部署的完整过程。

准备硬件​

适用于Hailo8L 13 TOPS​

树莓派5 8GB树莓派AI套件
立即获取 🖱️
立即获取 🖱️

适用于 Hailo8 26 TOPS​

reComputer AI R2130
立即获取 🖱️

安装硬件​

请参考此文档

在主机上​

note

我们将安装 hailo 软件，请确保您有一个 hailo 账户。

安装 Ultralytics 并训练模型​

安装 python3.11

sudo apt install python3.11

创建 yolo_env 作为你的虚拟环境

python3.11 -m venv yolo_env

Activate the environment

source yolo_env/bin/activate

Install ultralytics

pip install ultralytics

使用 COCO 数据集训练 YOLOv8n。如果您想训练自己的数据集，可以参考此处获取相关操作说明。

mkdir yolomodel && cd yolomodel
yolo detect train data=coco128.yaml model=yolov8n.pt name=retrain_yolov8n epochs=100 batch=16

pir

训练完成后，您将获得 best.pt 模型，如下所示：

cd ./runs/detect/retrain_yolov8n/weights/
ls

pir

将 .pt 模型转换为 .onnx。

yolo export model=./best.pt imgsz=640 format=onnx opset=11

结果如下所示：

pir

安装 hailo 软件​

安装 python 3.8

cd ~
sudo apt install python3.8

创建 hailo_env 作为你的虚拟环境

python3.8 -m venv hailo_env

Activate the environment

source hailo_env/bin/activate

安装 Hailo Dataflow Compiler 3.27，这里您需要注册 Hailo 并登录，然后下载软件。

pir

pip install hailo_dataflow_compiler-3.27.0-py3-none-linux_x86_64.whl

安装 Model zoo，这里你需要注册 Hailo 并登录，然后下载软件。

pir

pip install hailo_model_zoo-2.11.0-py3-none-any.whl

测试 hailo_model_zoo 是否正常运行。

hailomz -h

pir

安装 hailo_model_zoo github 文件

cd yolomodel/runs/detect/retrain_yolov8n/weights

git clone https://github.com/hailo-ai/hailo_model_zoo.git

安装 coco 数据集以评估/优化/编译 yolov8n 模型

python hailo_model_zoo/datasets/create_coco_tfrecord.py val2017
python hailo_model_zoo/datasets/create_coco_tfrecord.py calib2017

使用 hailo_model_zoo 解析模型​

hailomz parse --hw-arch hailo8l --ckpt ./best.onnx yolov8n

pir

使用 hailo_model_zoo 优化模型​

note

如果您执行以下命令，可能会遇到一些错误。但是，您可以将 ./hailo_model_zoo/hailo_model_zoo 复制到您的本地库中。如果错误提示找不到数据集，您可以导航到 ~/.hailomz，找到数据集，并将其复制到您的本地数据集目录中。

hailomz optimize --hw-arch hailo8l --har ./yolov8n.har yolov8n

pir

使用 hailo_model_zoo 编译模型​

hailomz compile  yolov8n --hw-arch hailo8l --har ./yolov8n.har

pir

完成后，您将获得一个 hef 模型，您可以使用它在配备 AI 套件的 Raspberry Pi5 上进行部署

ls

pir

在 Raspberry Pi5 上​

更新系统​

sudo apt update
sudo apt full-upgrade

将 pcie 设置为 gen2/gen3（gen3 比 gen2 更快）​

Add following text to /boot/firmware/config.txt

#Enable the PCIe external connector

dtparam=pciex1

#Force Gen 3.0 speeds

dtparam=pciex1_gen=3

note

如果您想使用 gen2，请注释掉 dtparam=pciex1_gen=3

安装 hailo-all 并重启​

在 Raspberry Pi 5 上打开终端并输入以下命令来安装 Hailo 软件

sudo apt install hailo-all
sudo reboot

检查软件和硬件​

在 Raspberry Pi5 上打开终端，输入以下命令检查是否已安装 hailo-all。

hailortcli fw-control identify

正确的结果如下所示：

pir

在 Raspberry Pi5 上打开终端，输入以下命令检查 hailo-8L 是否已连接。

lspci | grep Hailo

正确的结果如下所示：

pir

克隆项目​

git clone https://github.com/Seeed-Projects/Benchmarking-YOLOv8-on-Raspberry-PI-reComputer-r1000-and-AIkit-Hailo-8L.git
cd Benchmarking-YOLOv8-on-Raspberry-PI-reComputer-r1000-and-AIkit-Hailo-8L

将你的模型复制到树莓派 pi5​

Make a directory named hailomodel

mkdir hailomodel
note

下面的命令应该在您的主机电脑上运行，而不是在您的 Raspberry Pi 5 上运行。请确保您的主机电脑和 Raspberry Pi 5 都连接到同一个网络。

scp -r ./yolomodel/runs/detect/retrain_yolov8n/weights/yolov8n.hef username@ip /home/pi/Benchmarking-YOLOv8-on-Raspberry-PI-reComputer-r1000-and-AIkit-Hailo-8L/hailomodel/

Change code​

在 object-detection-hailo.py 文件中找到第 105 行和第 106 行，并按如下方式修改代码：

        elif args.network == "yolov8n":
            self.hef_path = os.path.join(self.current_path, './hailomodel/yolov8n.hef')

在 object-detection-hailo.py 中找到第 172 行，并将代码修改如下：

    parser.add_argument("--network", default="yolov8n", choices=['yolov6n', 'yolov8s', 'yolox_s_leaky'], help="Which Network to use, defult is yolov6n")

Run the code​

bash run.sh object-detection-hailo

结果​

这是我们演示在 Raspberry Pi 5 上训练 YOLOv8n 模型并部署的视频。我们将批处理大小设置为 8，输入尺寸设置为 640x640，输入视频帧率设置为 240 fps。实现的推理速度为 136.7 fps，对于大多数应用场景来说都是非常快的。

技术支持与产品讨论​

感谢您选择我们的产品！我们在这里为您提供不同的支持，以确保您使用我们产品的体验尽可能顺畅。我们提供多种沟通渠道，以满足不同的偏好和需求。

Loading Comments...