[寒假大作战]3.yolov8部署与测试_专栏

[寒假大作战]3.yolov8部署与测试

一、前言

前面部分进行了环境搭建与yolov8测试，光在电脑上显示可不够，最终还是要把它部署到开发板上，在板子上做检测，这一部分就是yolov8的部署了

二、参考文档

yolov8算法移植/HiPico-OpenEuler Yolov8部署指导.md · HiEuler PICO/doc - 码云 - 开源中国

HongOU PI PICO例程编译.md · HiEuler PICO/doc - Gitee.com

三、编译svp_npu

3.1安装arm-openeuler-linux-gnueabi编译工具链

NJU Mirror

在这个连接里下载这个脚本文件

下载完成后运行这个脚本./openeuler-glibc-x86_64-openeuler-image-armv7a-qemu-arm-toolchain-24.03-LTS.sh

安装完成后运行安装目录下的脚本. /home/ebaina/CV610/toolchain/environment-setup-armv7a-vfp-openeuler-linux-gnueabi注意这里的路径要改为安装的路径

注意这个脚本是暂时设置的当编译openeuler相关的东西时都需要运行设置一下

使用以下命令查看是否生效arm-openeuler-linux-gnueabi-gcc -v

3.2下载例程代码

使用如下命令

git clone https://gitee.com/hieuler-pico/hi_mpp_sample.git
cd hi_mpp_sample
1
2

3.3打yolov8补丁

补丁可以在官方这个链接里下载yolov8算法移植/resources/yolov8补丁 · HiEuler PICO/doc - 码云 - 开源中国

把补丁放在hi_mpp_sample路径下使用以下命令打补丁sudo patch -p1 < 0001-feat-yolov8-yolov8.patch

之后就可以进行编译了

这个补丁主要是设置了rtsp网络串流以及yolov8分支

使用以下命令来编译

make clean
make svp_npu
1
2

在bin目录下可以看到编译好的svp_npu文件这个文件就是要放在板子上运行的

创建svp_npu文件夹 mkdir svp_npu

创建data 在data里创建model model里放的就是模型注意模型的名字要改为yolov8.om

在mobaxterm里可以使用上传来吧电脑中的文件传给开发板传好之后使用./sample_svp_npu -help查看使用方法用法就是./sample_svp_npu后面加一个数字不同数字执行不同分支

这里的yolo分支是我自己添加的

可以在sample_svp_npu_usage函数里面修改

./sample_svp_npu 5执行yolov8检测

四、测试

检测的效果可以通过vlc网络串流查看（没走通会报错目前还不知道怎么修改)

另外一种就是每次程序执行完毕都会生成

stream_chn0.h264文件将这个文件下载下来然后使用视频播放器查看（我用的是potplayer）

下载下来之后打开查看效果

五、总结

目前还存在的问题和缺点：首先就是yolo的这个框乱跳不稳定，我觉得可能有以下方面原因：

训练的照片数量不太够（训练了200多张）
模型参数的选取，第一次选用的是yolov8n.pt这是参数最小的刚开始效果很差后来换成了yolov8s.pt这个参数量相对多一点，最终效果能相对好点
图像的输入质量不高，这里使用的是摄像头拍摄电脑画面然后输入给yolov8模型，图片的质量自然不言而喻
网络串流还是没有调通对linux网络了解甚少 rtsp相关内容还需要学习

最后很感谢易百纳团队精心策划的”寒假大作战”活动，为我打开了一扇通向人工智能世界的奇妙大门。回顾这段实践经历，感触颇深：作为一个既无Linux操作系统基础、又未系统学习过AI理论，甚至专业领域与计算机科学毫不相关的学生，从零开始搭建开发环境、研读技术文档、攻克编译难题，直至最终将训练模型部署到开发板的全过程，不仅消解了我对人工智能领域”高不可攀”的刻板认知，更让我深刻体会到技术民主化时代的真谛。

当亲手训练的模型在开发板上亮起运行指示灯时，这份最终成果虽显稚嫩，却带给我前所未有的成就感。这次实践不仅验证了”技术平权”的可能性——人工智能并非专属于实验室的精密仪器，也无需以高昂成本为入场券；更重要的是让我领悟到，在开源社区积极发展的今天，怀揣探索热忱的实践者完全能够通过阶梯式学习，突破专业藩篱，在智能科技的星辰大海中开辟属于自己的航道。