【Raspberry Pi 5 测评】部署YOLO11实时物体检测模型

xusiwei1236

【Raspberry Pi 5 测评】部署YOLO11实时物体检测模型 [复制链接]

【Raspberry Pi 5 测评】部署YOLO11实时物体检测模型

【Raspberry Pi 5 测评】部署YOLO11实时物体检测模型
一、YOLO11概述
二、YOLO11主要功能
三、创建Python虚拟环境
四、激活Python虚拟环境
五、安装ultralytics包
六、体验YOLO11模型
七、绘制推理结果
九、参考链接

一、YOLO11概述

YOLO11 是 UltralyticsYOLO 是实时物体检测器系列中的最新产品，以最先进的精度、速度和效率重新定义了可能实现的目标。在之前YOLO 版本令人印象深刻的进步基础上，YOLO11 在架构和训练方法上进行了重大改进，使其成为广泛的计算机视觉任务的多功能选择。

二、YOLO11主要功能

• 增强型特征提取： YOLO11 采用改进的骨干和颈部架构，增强了特征提取能力，从而实现更精确的目标检测和复杂任务性能。
• 优化效率和速度： YOLO11 引入了完善的架构设计和优化的训练管道，提供更快的处理速度，并在准确性和性能之间保持最佳平衡。
• 参数更少，精度更高：随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，同时使用的参数比YOLOv8m 减少了 22%，从而在不影响精度的情况下提高了计算效率。
• 跨环境适应性： YOLO11 可在各种环境中无缝部署，包括边缘设备、云平台和支持NVIDIA GPU 的系统，确保最大的灵活性。
• 支持的任务范围广泛：无论是对象检测、实例分割、图像分类、姿态估计，还是面向对象检测 (OBB)，YOLO11 都能应对各种计算机视觉挑战。

三、创建Python虚拟环境

树莓派上默认使用的是Python3，不允许直接使用pip安装软件包，直接使用pip install会报错：

并且提示使用python3 -m venv path/to/venv的方式创建虚拟环境。

接下来，使用如下命令创建一个虚拟环境，用于后续的yolo11下载和运行：

python3 -m venv yolo11env

四、激活Python虚拟环境

执行如下命令，将会激活Python虚拟环境：

source yolo11env/bin/activate

激活后，命令提示符最前面会有一个括号，显示当前虚拟环境名称。

五、安装ultralytics包

执行如下命令，安装ultralytics包：

pip install ultralytics

执行过程中会下载并安装很多依赖的软件包。

六、体验YOLO11模型

安装完ultralytics包之后，就可以在当前Python虚拟环境中体验YOLO11模型了。

首先，输入python命令并回车，打开一个交互式Python命令行。

输入如下代码，下载YOLO11模型：

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

接下来，就可以使用YOLO11模型进行推理了：

可以看到，推理耗时 357.3 毫秒，识别到了4个人和1个巴士，图片保存到了/home/xu/bus.jpg。

图片实际画面如下：

七、绘制推理结果

结合OpenCV绘制矩形框和文本的功能，可以写一段代码，将推理结果绘制出来，并保存为图片：

from ultralytics import YOLO
import cv2
import sys

# 1. 加载预训练模型（YOLOv8 官方模型）
model = YOLO("yolo11n.pt")

# 2. 读取输入图片
image_path = sys.argv[1]
image = cv2.imread(image_path)

# 3. 运行目标检测
results = model.predict(image, save=False) # save=False 避免自动保存覆盖

# 4. 提取检测结果并绘制矩形框
for result in results:
boxes = result.boxes # 获取边界框信息
for box in boxes:
# 提取坐标 (xyxy 格式: 左上右下)
x1, y1, x2, y2 = map(int, box.xyxy[0])
# 提取类别和置信度
cls_id = int(box.cls[0])
conf = float(box.conf[0])
cls_name = model.names[cls_id]

# 绘制矩形框
cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
# 添加类别和置信度标签
label = f"{cls_name} {conf:.2f}"
cv2.putText(image, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 5. 保存结果图片
output_path = image_path.split('.')[0] + "output.png"
cv2.imwrite(output_path, image)
print(f"检测结果已保存到 {output_path}")

运行以上脚本，输出output.jpg文件，内容如下：

九、参考链接

1. YOLO11介绍： https://docs.ultralytics.com/zh/models/yolo11/
2. OpenCV-Python接口说明： https://docs.opencv.org/4.x/d7/d16/tutorial_py_table_of_contents_core.html
3. ultralytics快速入门： https://docs.ultralytics.com/zh/quickstart/

wangerxian

树莓派5视频跑yolo11能达到多少帧率，我感觉可以测测

freebsder

>>>推理耗时 357.3 毫秒

一秒钟差不多3-4帧？