树莓派yolov5路面

### 部署YOLOv5于树莓派实现路面检测

#### 准备工作
为了使YOLOv5能够在树莓派上运行并用于路面检测，需先完成一系列准备工作。这包括但不限于安装必要的软件包以及配置环境变量等操作[^1]。

#### 安装依赖库
在树莓派终端执行命令来更新系统并安装Python3 pip工具和其他基础组件：

sudo apt-get update && sudo apt-get upgrade -y
sudo apt install python3-pip libgl1-mesa-glx -y
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu

#### 下载YOLOv5源码
克隆官方GitHub仓库到本地目录以便后续编译和修改：

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

接着按照项目文档说明设置虚拟环境，并激活该环境后继续安装其他所需的Python模块：

python3 -m venv env
source ./env/bin/activate
pip install -r requirements.txt

#### 调整模型文件大小优化性能
考虑到嵌入式设备资源有限的特点，在不影响精度的前提下尽可能减少预训练权重体积有助于提高推理速度。可以考虑采用更轻量级版本如`yolov5s.pt`作为初始加载点[^3]。

#### 测试与验证
编写简单的测试脚本来读取摄像头输入流并对每一帧图像调用预测函数处理；最后将标注后的结果展示出来供观察者查看效果。下面给出一段简化版代码片段：

import cv2
from pathlib import Path
import torch
from models.experimental import attempt_load
from utils.general import non_max_suppression, scale_coords
from utils.torch_utils import select_device


def detect():
    weights = 'path_to_your_model_weight_file'
    imgsz = 640
    
    device = select_device('')
    model = attempt_load(weights, map_location=device)  # 加载模型
    stride = int(model.stride.max())  
    names = model.module.names if hasattr(model, 'module') else model.names  

    cap = cv2.VideoCapture(0)

    while True:
        ret, frame = cap.read()
        
        if not ret:
            break
        
        img = letterbox(frame, new_shape=imgsz)[0]
        img = img[:, :, ::-1].transpose(2, 0, 1).copy() / 255.
        img = torch.from_numpy(img).to(device)
        img = img.float().unsqueeze(0)

        pred = model(img)[0]

        det = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45)[0]

        if len(det):
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], frame.shape).round()

            for *xyxy, conf, cls in reversed(det):
                label = f'{names[int(cls)]} {conf:.2f}'
                plot_one_box(xyxy, frame, label=label, color=(0, 255, 0), line_thickness=3)

        cv2.imshow('frame', frame)
        k = cv2.waitKey(1)

        if k & 0xFF == ord('q'):
            break
            
detect()
cap.release()
cv2.destroyAllWindows()

此段程序实现了基本的目标检测功能，可根据实际需求调整参数设定以适应不同应用场景下的表现要求。