香橙派3b yolov5

### 安装和配置YOLOv5于香橙派3B

#### 准备工作
为了在香橙派3B上顺利安装并运行YOLOv5，需先确认设备的操作环境已准备好。这通常意味着操作系统应是最新的版本，并且Python以及必要的依赖库已经正确安装。

#### Python环境设置
建议创建一个新的虚拟环境来管理YOLOv5项目所需的包。通过这种方式可以避免不同项目的依赖冲突问题。

sudo apt-y
sudo apt install python3-pip python3-dev libsm6 libxext6 git -y
pip3 install virtualenv
virtualenv venv_yolo
source venv_yolo/bin/activate

#### 下载YOLOv5源码
获取官方GitHub仓库中的最新版YOLOv5代码是一个好的起点。

git clone https://github.com/ultralytics/yolov5.git
cd yolov5

#### 安装依赖项
进入克隆下来的目录之后，按照README.md文档指示安装必需的Python模块。

pip3 install -r requirements.txt

#### 转换模型格式
由于香橙派3B硬件加速支持有限，在某些情况下可能需要将PyTorch训练得到的标准.pth权重文件转换成更适合目标平台执行的形式，比如ONNX或RKNN等。对于后者而言，则参照具体教程完成相应操作[^1]。

#### 测试推理性能
最后编写简单的脚本来验证整个流程是否正常运作。这里给出一个基本的例子用于加载预训练网络并对图片做预测处理：

import torch
from pathlib import Path
from utils.general import non_max_suppression, scale_coords
from models.experimental import attempt_load
from PIL import Image
import numpy as np


def detect(image_path='data/images/bus.jpg'):
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    
    model = attempt_load('weights/yolov5s.pt', map_location=device)  # 加载模型
    
    img_size = (640, 640)
    im = Image.open(Path(image_path)).resize(img_size).convert("RGB")
    im_array = np.array(im)

    input_tensor = torch.from_numpy(im_array.transpose((2, 0, 1))[None].astype(np.float32)) / 255.
    pred = model(input_tensor.to(device))
    det = non_max_suppression(pred)[0]

    if len(det):
        det[:, :4] = scale_coords(img_size, det[:, :4], im.size[::-1]).round()
        
detect()