在Jetson Nano安装测试YOLO v5目标识别示例

参考链接
https://blog.csdn.net/carrymingteng/article/details/120978053
https://blog.csdn.net/weixin_43947712/article/details/115530913

YOLO作为一个快速高效的目标检测的方案，非常适合部署在边缘设备嵌入式系统上，这里参考网上链接，尝试在Jetson Nano上搭建一个YOLO v5的目标识别示例。

1. 修改显存
修改/etc/systemd/nvzramconfig.sh文件
把后面一行
mem = $((("${totalmem}"/2/"${NRDEVICES}")*1024))
修改为
mem = $((("${totalmem}"*2/"${NRDEVICES}")*1024))

修改之后重启，用
$ free -h
查看显存

在修改之前默认swap为1.9G，修改之后更改为7.7G。

2. 安装pytorch&torchvision
首先，预安装一些需要的软件
$ sudo apt install libopenblas-base libopenmpi-dev
$ pip3 install Cython
$ pip3 install numpy

这里略过了原文中的apt的更新和pip3的安装，假设都已经更新
然后安装pytorch

$ pip3 install torch-1.8.0-cp36-cp36m-linux_aarch64.whl

这里采用离线的方式安装pytorch，whl文件从网上提前下载。
之后安装torchvision，先安装一些需要的软件包

$ sudo apt install libjpeg-dev zlib1g-dev libpython3-dev libavcodec-dev libavformat-dev libswscale-dev

下载torchvision代码库
$ git clone --branch v0.9.0 https://github.com/pytorch/vision torchvision

然后进入目录进行编译
$ cd torchvision
$ export BUILD_VERSION=0.9.0
$ python3 setup.py install --user
最后一步需要较长时间。

安装完成之后，就可以在python3里面import torch和torchvision，以及查看版本，如下

3 搭建YOLO v5环境
下载源代码库
$ git clone https://github.com/ultralytics/yolov5.git

然后按照目录下requirements.txt文件安装需要的python模块
$ cd yolov5
$ pip3 install -r requirements.txt

之后就可以运行程序来测试，在yolov5目录运行
$ python3 detect.py --source data/images/bus.jpg --weights yolov5n.pt --img 640 #图片识别
$ python3 detect.py --source test.mp4 --weights yolov5n.pt --img 640 #视频测试，mp4为提前准备的视频
$ python3 detect.py --source 0 --weights yolov5n.pt --img 640 #摄像头测试

个人在程序运行过程中出现了缺少_imagingft C module的问题，经查是pillow库的问题，重新安装了pillow库解决了问题。

测试程序会自动下载权重文件yolov5n.pt进行识别，识别结果会输出在runs/detect/exp文件夹中，图片识别结果如下

每运行一次测试程序，就会出现一个新的文件夹（exp2，exp3，exp4等），输出结果放置在新生成的文件夹。
经过实际测试，三个程序都可以顺利运行，其中摄像头测试通过连接Nano的USB摄像头，能够及时得显示出场景中的识别信息。