m2dock跑yolov5

### 安装和配置YOLOv5于M2Dock环境

#### 创建工作空间并克隆仓库
为了在 M2Dock 上部署 YOLOv5，首先需要创建一个新的工作目录并将 YOLOv5 的源代码下载至该位置。具体操作如下：

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

此命令序列用于初始化所需的工作环境[^1]。

#### 设置Python虚拟环境
建议为项目设置独立的 Python 虚拟环境来管理依赖项。这可以通过以下指令完成：

python3 -m venv yolov5-env
source yolov5-env/bin/activate
pip install --upgrade pip

激活后的虚拟环境中应更新 `pip` 工具以便顺利安装后续包。

#### 安装必要的库文件
进入已克隆下来的 YOLOv5 文件夹内执行依赖安装脚本：

cd yolov5
pip install -r requirements.txt

上述步骤确保所有必需的第三方模块被正确加载到当前会话中。

#### 解决特定平台编译错误
如果遇到类似于 Makefile 编译失败的情况（如 `[tools/Makefile:137:] Error 2`），可能是因为目标硬件架构不匹配或其他兼容性问题引起的。对于 Allwinner V831 平台上的 MaixPy SDK 版本 (例如 `v831-m2dock-maixpy3-0.5.0`) ，应当仔细核对官方文档和支持论坛中的解决方案[^2][^4]。

针对此类问题的一个常见处理方式是调整 CMakeLists 或者 Makefiles 中的相关参数设定，使之适应具体的嵌入式设备特性；另外也可以考虑采用预构建好的二进制发行版以简化流程[^3]。

#### 测试模型推理功能
当一切准备就绪之后，可通过运行样例测试程序验证整个系统的正常运作情况：

from pathlib import Path
import torch
from models.experimental import attempt_load
from utils.general import check_img_size, non_max_suppression, scale_coords
from utils.torch_utils import select_device, time_synchronized


weights = 'yolov5s.pt'  # 权重文件路径
imgsz = 640             # 输入图片尺寸
device = ''            # 使用 CPU/GPU ('cpu', '0', '1')

# 加载模型
model = attempt_load(weights, map_location=device)

conf_thres = 0.25      # 置信度阈值
iou_thres = 0.45       # NMS IOU 阈值
classes = None         # 类别过滤列表
agnostic_nms = False   # 是否启用类别无关NMS

with torch.no_grad():
    img = torch.zeros((1, 3, imgsz, imgsz), device=device)  # 初始化图像张量
    _ = model(img.half() if half else img)                  # 运行一次前向传播作为warmup
    
print('Model loaded successfully.')

这段代码展示了如何加载预训练权重并对单幅输入图像实施预测分析过程。