放弃OpenVINO在树莓派5上用Anaconda环境直接跑通YOLOv5摄像头检测树莓派作为嵌入式开发的明星产品其第五代在性能上有了显著提升4GB内存和2.4GHz四核处理器让它能够胜任更多AI推理任务。而YOLOv5作为目标检测领域的轻量级标杆其快速、准确的特性使其成为边缘设备部署的热门选择。本文将介绍一种无需复杂模型转换、直接在树莓派5上运行YOLOv5进行实时摄像头检测的简化方案。传统方法往往涉及将PyTorch模型转换为ONNX格式再通过OpenVINO等框架进行优化部署这一过程不仅繁琐还容易遇到各种兼容性问题。相比之下使用Anaconda创建纯净Python环境直接运行YOLOv5官方代码的方案更加简单直接特别适合快速原型验证和中小开发者。1. 为什么选择直接运行方案在边缘设备上部署深度学习模型通常有两种主流路径一种是经过框架转换和优化的工业级部署另一种是直接运行原始代码的开发式部署。对于树莓派这样的开发板后者往往更具优势。直接运行方案的核心优势零转换损耗避免了模型转换过程中可能出现的精度损失和算子不支持问题环境简单只需Python环境无需安装复杂的推理框架调试方便可以直接使用YOLOv5的全部原生功能如热重载、参数调整等快速迭代模型更新只需替换.pt文件无需重新转换与OpenVINO方案相比直接运行虽然在理论性能上可能稍逊但实际体验差异不大。以下是两种方案的对比特性直接运行方案OpenVINO方案部署复杂度低高环境依赖PythonPyTorchOpenVINO转换工具链模型支持完整支持YOLOv5特性可能受限于算子支持推理速度中等理论上更快适用场景开发验证、快速迭代生产环境部署2. 硬件准备与环境配置2.1 所需硬件清单树莓派5推荐4GB或8GB内存版本优质电源至少5V/3A高速MicroSD卡建议64GB以上U3级别USB摄像头推荐罗技C270等免驱型号散热方案树莓派5运行时会产生较多热量2.2 系统基础配置首先确保树莓派运行的是64位操作系统。官方Raspberry Pi OS64位是最稳妥的选择# 查看系统信息 uname -a # 应显示aarch64架构更新系统并安装基础工具sudo apt update sudo apt upgrade -y sudo apt install -y git wget vim2.3 Anaconda环境安装在树莓派上安装Miniconda是更轻量的选择wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh bash Miniconda3-latest-Linux-aarch64.sh安装完成后初始化conda并创建专用环境conda init bash source ~/.bashrc conda create -n yolov5 python3.9 -y conda activate yolov5提示树莓派5的ARM架构与x86有所不同所有Python包都必须选择aarch64兼容版本。3. YOLOv5环境部署3.1 获取YOLOv5源码使用官方仓库确保兼容性git clone https://github.com/ultralytics/yolov5.git cd yolov53.2 安装依赖项YOLOv5的requirements.txt包含较多依赖在树莓派上需要特别注意# 先安装基础依赖 sudo apt install -y libopenblas-dev libatlas-base-dev libjasper-dev # 然后安装Python包 pip install --pre torch torchvision --extra-index-url https://download.pytorch.org/whl/nightly/cpu pip install -r requirements.txt关键依赖的版本建议PyTorch ≥ 1.10OpenCV ≥ 4.5NumPy ≥ 1.193.3 模型准备可以直接使用官方预训练模型wget https://github.com/ultralytics/yolov5/releases/download/v6.2/yolov5s.pt或者使用自己训练的模型通过scp传输到树莓派scp path/to/your_model.pt piyour_pi_ip:~/yolov5/4. 实时摄像头检测实现4.1 摄像头配置确保系统识别到USB摄像头v4l2-ctl --list-devices # 应显示类似/dev/video0的设备测试摄像头画面sudo apt install -y fswebcam fswebcam test.jpg4.2 基础检测命令运行最基本的检测脚本python detect.py --weights yolov5s.pt --source 0 --img 320 --device cpu参数说明--weights: 指定模型权重文件--source: 0表示第一个摄像头--img: 输入图像尺寸越小速度越快--device: 指定使用CPU4.3 性能优化技巧提升帧率的几种方法输入分辨率调整320x320约8-10 FPS224x224约12-15 FPS160x160约18-22 FPS线程控制 在detect.py中添加以下代码import torch torch.set_num_threads(4) # 根据CPU核心数调整预处理优化 修改dataset.py中的加载逻辑减少不必要的转换4.4 显示问题解决如果遇到无法显示窗口的问题可以安装轻量级桌面环境sudo apt install -y xvfb Xvfb :1 -screen 0 800x600x16 # 创建虚拟显示 export DISPLAY:1 # 使用虚拟显示或者通过VNC远程查看sudo apt install -y realvnc-vnc-server sudo raspi-config # 启用VNC服务5. 进阶应用与调试5.1 自定义检测逻辑修改detect.py实现更多功能# 在run函数中添加自定义逻辑 def run(...): # 原有代码... # 添加自定义处理 for *xyxy, conf, cls in det: if names[int(cls)] person: print(f发现行人置信度: {conf:.2f}) # 继续原有流程...5.2 性能监控添加资源监控代码import psutil def print_stats(): cpu_percent psutil.cpu_percent() mem_info psutil.virtual_memory() print(fCPU使用率: {cpu_percent}% | 内存使用: {mem_info.percent}%)5.3 常见问题排查问题1OpenCV无法打开摄像头解决方案检查用户权限将用户加入video组sudo usermod -a -G video $USER问题2内存不足解决方案添加交换空间sudo dphys-swapfile swapoff sudo nano /etc/dphys-swapfile # 修改CONF_SWAPSIZE2048 sudo dphys-swapfile setup sudo dphys-swapfile swapon问题3推理速度突然变慢解决方案检查CPU温度防止过热降频vcgencmd measure_temp在实际项目中这种直接运行方案虽然看起来不够专业但它提供了最快的验证路径和最灵活的调试方式。当我在智能门铃原型开发中使用这种方法时从环境配置到实际运行只用了不到2小时而之前尝试OpenVINO方案花了整整两天时间却卡在模型转换环节。