基于ros和yolov5的视觉识别部署测试

基于ros和yolov5的视觉识别部署测试

引言

随着计算机视觉技术的快速发展，目标检测已成为众多应用的核心部分，尤其是在机器人技术和自动化领域。YOLOv5作为一种先进的目标检测模型，因其高效、准确且易于部署而受到广泛欢迎。ROS（Robot Operating System）作为机器人软件开发的事实标准，为机器人系统的开发提供了强大的支持。本文旨在探讨如何将YOLOv5模型集成到ROS环境中，以实现对实时视频流的目标检测。

本文首先介绍了YOLOv5模型的基本结构和工作原理，随后详细阐述了在ROS环境下部署YOLOv5的步骤，包括创建虚拟环境、安装必要的软件包、获取YOLOv5源码以及设置ROS节点来处理来自摄像头的数据流。我们还提供了具体的脚本实例，展示了如何使用ROS节点来捕获图像或视频，并将这些数据送入YOLOv5模型进行目标检测。

Yolov5的网络结构和工作原理

Yolov5采用了一种轻量级的网络结构，由一系列卷积层、池化层和全连接层组成。它通过不同尺度的特征图来检测不同大小的目标，并使用置信度和类别概率来判断检测框的准确性。

Yolov5的工作原理可以分为三个主要步骤：特征提取、目标检测和后处理。在特征提取阶段，Yolov5使用一系列卷积层来提取输入图像的特征。这些特征图具有不同的尺度和语义信息，能够捕捉目标的不同特征。

在目标检测阶段，Yolov5将特征图分为不同的网格，并为每个网格预测一组目标框。每个目标框包含目标位置和类别概率信息。通过调整目标框的位置和大小，并计算其与真实目标框的相似度，Yolov5能够准确地检测出图像中的目标。

在后处理阶段，Yolov5通过非极大值抑制（NMS）算法来消除重叠的检测框，并选择置信度最高的检测结果作为最终输出。通过这种方式，Yolov5能够实现准确且高效的目标检测。

Yolov5在不同数据集上的性能和应用场景

Yolov5在多个数据集上进行了训练和测试，并在目标检测任务中取得了优秀的性能。例如，在COCO数据集上，Yolov5能够达到较高的平均精度和较低的检测时间。这使得Yolov5在实时应用和资源有限的场景中具有广泛的应用前景。

此外，Yolov5还可以应用于不同的目标检测场景。它可以用于车辆检测和识别，人脸检测和识别，物体跟踪和行人检测等任务。Yolov5的高效和准确性使得它在无人驾驶、安防监控、智能交通等领域具有很大的潜力。

在ros里面的部署流程

这里以工控机为例，树莓派等ros主控的部署也与在工控机的部署流程类似，以下步骤以睿抗智能侦查赛道的小车为例。

创建自己的虚拟环境

在这一步之前，首先确保自己的工控机已经安装好conda等基础依赖，这些在工控机中已经存在。
打开终端，使用 annaconda 的 conda 命令创建虚拟环境

conda create -n yolov5 python=3.8

主要基于这段指令：conda create -n <环境名称自定义> python=<python 的版本号>
工控机已安装的python版本可通过以下指令在终端进行查询：

python --version

当显示以下结果，则说明创建环境成功。

可以通过以下指令进行验证：

conda activate yolov5

运行之后终端会进行刚刚创建好的虚拟环境。

安装pytorch

接下来打开浏览器进入以下网址安装pytorch：https://pytorch.org/get-started/locally/

选择好 conda 版本和 cpu 版本，在下面便得到安装指令

conda install pytorch torchvision torchaudio cpuonly -c pytorch

粘贴到终端之后回车执行，注意终端首先要进入刚刚创建好的虚拟环境。等待一段时间之后出现以下结果说明安装成功。

可通过依次输入以下指令回车执行观察输出，验证是否安装成功。若出现 pytorch 版本号就代表安装成功。

python3
import torch
torch.__version__

下载yolov5源码

之后在浏览器输出以下网址获取Yolov5 源码，在其中任选一个即可，这里选择的是monkey_cici/
yolov5。

https://so.gitee.com/?q=yolov5

点击进入–>点击克隆/下载–>下载 zip

下载完成后，在文件夹下载中找到 yolo-master 压缩包，将其提取。然后再将解压后的文件夹复制到主目录。
打开终端，进入文件夹目录：

cd yolov5-master

输入以下指令进入虚拟环境：

conda activate yolov5

yolov5是我自己刚刚创建的虚拟环境名。
在终端指定清华源安装所需的环境：

pip install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

看到以下结果说明所有包和环境安装完成。