【树莓派4B深度学习 yolo】Chap.1 给树莓派配置yolo模型（darknet-nnpack）【深度学习 招式篇】

参考链接

在树莓派4B上使用YOLO
https://yanwei-liu.medium.com/raspberry-pi%E5%AD%B8%E7%BF%92%E7%AD%86%E8%A8%98-%E4%BA%8C%E5%8D%81%E4%B8%83-%E5%9C%A8pi%E4%B8%8A%E5%9F%B7%E8%A1%8Cyolov3-9cf124d5d582
任剑杰

一、运行方式：

1. AlexeyAB—不是很稳定。我没试过
   执行速度很慢，YOLOv3-tiny花費約 30秒。
   原版的yolo V3 完整版本是无法在树莓派上运行的，直接编译会报错如下的 段错误，原因是树莓派内存不够，使用官方权重会越界，所以只能只用yolo v3 -tiny版本。Yolo V3版本基于darknet直接编译

2. darknet-nnpack——已成功
   针对Arm处理器优化，使用YOLOv3-tiny进行识别只要1-1.2秒，不用使用额外的GPU.不能执行YOLOv3,只能执行tiny

3. 购买额外的运算棒Intel NCS I （570块人民币）

二、步骤：

1. 安装系统，建议选Raspbian Buster 系统,换源。
2. 准备Python和Pi相机, 先添加python-opencv的依赖库.opencv 3.2.0.
   sudo apt-get install python-pip
   sudo apt install libopencv-dev
   sudo apt-get install python-opencv
   sudo raspi-config 转到 Interfacing Options，然后启用 Pi/Camera,重启生效。启用pi相机
3. 安装 Ninja Building tool；安装 PeachPy 0.2.0和 confu 0.0.1
   sudo pip install --upgrade git+https://github.com/Maratyszcza/PeachPy
   sudo pip install --upgrade git+https://github.com/Maratyszcza/confu
4. 在 /home/pi目录下，安装ninja. Re2c是一个用于编写快速灵活的词法分析器的工具.
   本人在实验的时候安装最新版本的ninja和NNPACK 尝试了三四次都没有成功，所以直接下载了别人之前下载好的，然后copy到 ~/ 下。可能是最新版的出问题了。
   git clone https://github.com/ninja-build/ninja.git
   cd ninja
   git checkout release
   sudo apt-get install re2c

chmod +x ./configure.py
chmod 777 configure
sudo chmod +x ./src/inline.sh

./configure.py --bootstrap
export NINJA_PATH=$PWD
cd

5. 安装修改后的 NNPACK
   git clone https://github.com/shizukachan/NNPACK
   cd NNPACK
   confu setup
   python ./configure.py --backend auto
6. ninja构建NNPACK（需要一段时间，耐心等待，并且第一次可能崩溃。只需重新启动并再次运行）：
   $NINJA_PATH/ninja
   可以用 ls ，有文件夹 lib ， include 就成功了。

测试NNPACK是否正常工作：
bin/convolution-inference-smoketest
我第一次失败了，不过再次运行了测试，所有项目都通过了。因此，如果测试失败，请不要慌张，再尝试一次。
将库和头文件复制到系统环境：
sudo cp -a lib/* /usr/lib/
sudo cp include/nnpack.h /usr/include/
sudo cp deps/pthreadpool/include/pthreadpool.h /usr/include/

7. 安装darknet-nnpack
   上面这些步骤其实都是安装darknet-nnpack的准备工作，现在正式开始，半个小时
   cd
   git clone -b yolov3 https://github.com/zxzhaixiang/darknet-nnpack
   cd darknet-nnpack
   git checkout yolov3
   make
   这就完成了，开始测试。Make差不多五分钟。
8. 用YoloV3-tiny测试
   运行：
   sudo python rpi_video.py
   或者：

sudo python rpi_record.py
也可以调一下参数：
yolo_proc = Popen(["./darknet",
“detect”,
“./cfg/yolov3-tiny.cfg”,
“./yolov3-tiny.weights”,
“-thresh”, “0.1”],
stdin = PIPE, stdout = PIPE)
这两个python文件，只是提供了一个进出的功能。
rpi_video.py 以动画形式在屏幕上显示实时目标检测结果；
rpi_record.py 会将每一帧结果保存（如之后制作git动画）。
另外YoloV3-tiny不在乎输入图像的大小。因此，只要高度和宽度均为32的整数倍，就可以随意调整相机分辨率。
#camera.resolution = (224, 224)
#camera.resolution = (608, 608)
camera.resolution = (544, 416)

检测速度达到每秒2帧（fps）