本博客从使用yolov5部署移动机器人目标检测算法角度来评测旭日x3派性能，为尽可能客观评测x3派性能，我们分别在Jerson nano、树莓派和旭日x3派中部署了yolov5目标检测算法。这里我的评测指标是yolov5处理每一帧图片所需要的时间，不管是MP4还是调用摄像头实时处理，都是计算每一帧的图片，然后重复该过程，其中帧率(fps)可以理解为每秒钟能够处理每一帧图片的次数。故，下面的评测皆以处理每一帧图片所需的时间进行对比，以供参考。
Jerson nano部署yolov5目标检测算法：
这里我使用的是冰达的开源镜像，其地址为：https://bingda.yuque.com/staff-hckvzc/px5t53/gx6pfbfxxcl5ub44
该系统为ubuntu18.04，ros版本为melodic，python版本为3.6，故首先更新系统
sudo apt update
sudo apt upgarde
然后，下载对应版本pytorch v1.8.0和torchvision v0.9.0，其官方网址为：https://pytorch.org/get-started/previous-versions/，其网址为外网需要使用VPN才能访问下载，这里直接提供：
链接: https://pan.baidu.com/s/15Ju9voweWuUZypLscvBRHg?pwd=nffm 提取码: nffm
打开pytorch所在位置：pip3 install torch-1.8.0-cp36-cp36m-linux_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
解压torchvision ：cd torchvision；添加export BUILD_VERSION=0.9.0到 .bashrc，然后source ~/.bashrc。
sudo python3 setup.py install #进行安装
安装 pillow支持包：sudo apt-get install libjpeg-dev
下载yolov5：
git clone -b v6.0 https://github.com/ultralytics/yolov5.git
cd yolov5 ，安装：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
树莓派部署yolov5目标检测算法：
-
安装miniconda
下载miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-py37_4.9.2-Linux-aarch64.sh
下载之后
bash Miniconda3-py37_4.9.2-Linux-aarch64.sh
全部选是，看到Thank you for installing Miniconda3即安装成功。
source ~/.bashrc
更新环境变量。
-
安装pytorch
CPU版本pytorch 和torchvision网址为：https://download.pytorch.org/whl/torch_stable.html
根据我树莓派系统版本我选择的版本是：
torch-1.9.0-cp37-cp37-linux_aarch64.whl
torchvision-0.10.0-cp37-cp37m-manylinux2014_aarch64.whl
cd进入树莓派保存文件的目录
安装指令
pip3 install torch-1.9.0-cp37-cp37-linux_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install torchvision-0.10.0-cp37-cp37m-manylinux2014_aarch64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple
-
安装依赖
sudo apt update
sudo apt upgrade
sudo apt-get install libopenblas-dev libblas-dev m4 cmake cython python3-dev python3-yaml python3-setuptools python3-wheel python3-pillow python3-numpy
- 安装yolov5
从yolov5官网下载yolov5
git clone https://gitcode.net/mirrors/ultralytics/yolov5.git
cd yolov5，进入到yolov5空间，安装yolov5
pip3 install requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
测试python detect.py,成功效果如下。
旭日x3派部署yolov5目标检测算法可参考：https://guyueju.oss-cn-beijing.aliyuncs.com42683
一.目标检测场景的搭建
为尽可能真实客观评测x3派性能，我们使用3D打印技术搭建了一个简单的智能驾驶场景，并在车辆移动过程中检测该场景。智能驾驶场景图片如下图所示。此外，我们也使用了一个人流量密集的场景（MP4视频）以客观评测x3派性能。
二.性能评测
在本节中我们从使用yolov5训练图片、MP4视频和在移动中检测目标的三种场景，来综合对比评测旭日x派的性能。
2.1 使用yolov5训练图片
我们在安装好yolov5的树莓派、Jerson nano和旭日x3派中，打开yolov5：cd yolov5；输入python detect.py。
我们分别使用树莓派、旭日x派和Jerson nano训练图片并给出了训练时的图片如下，由下图可以看出树莓派训练每幅图片的时间是最长的，平均两秒（1000ms=1s），x3派在0.7s，Jerson nano平均0.2s。三个板子均能满足训练图片的需求。
（a）树莓派
（b）旭日x3派
（c)Jerson nano
2.2 使用yolov5训练MP4视频
在本节中我们使用同一个MP4视频分别对三个板子进行评测，我们首先在yolov5中新建一个MP4文件夹，把我们需要训练的MP4视频放里面，然后修改detect.py训练路径。然后cd yolov5；python detect.py。
在yolov5训练MP4视频时，其实可以将MP4视频看作一帧一帧的图片，yolov5依次处理每一帧的图片，下图为yolov5处理MP4视频的图片。可以清楚的看到树莓派的处理速度最慢，在1.7s左右，旭日x3派在0.6s，处理性能较好；Jerson nano在0.13s，相比之下效果最好。但处理MP4视频是一个离线处理的过程，不涉及处理实时性的问题，经我们的评测三个板子的处理精度上是一致的，均能满足一个处理需求。
(a)树莓派
（b）旭日x3派
（c）Jerson nano
2.3 在车辆移动过程中检测目标场景
为了做这一节的评测，为此我们在第一节搭了一个简单的智能驾驶场景，模拟车辆的移动过程中实时检测目标。
ros小车搭建可参考：https://guyueju.oss-cn-beijing.aliyuncs.com43017
首先修改detect.py中default中参数为摄像头端口号(可通过ls /dev/video*插拔摄像头查看），然后cd yolov5；python detect.py。其效果演示如视频（在剪辑过程中，后续会发出）所示。处理时的的终端如下图所示，可以清楚的看到树莓派处理每一帧图片图片需要2s，已经很难满足实时处理的需求了，在给出的视频中也是如此。旭日x3处理每一帧图片图片需要0.6s，检测帧率fps为1.8，帧率为基本可以满足实时处理的需要，但处理速度有待提高。Jerson nano需要0.2s，检测帧率fps为6.5，处理性能较好。
（a）树莓派
（b）旭日x3派
（c）Jerson nano
三. 总结
旭日x3派在使用yolov5目标检测算法的过程中，表现还是相对可以的。但从价格的角度上讲，树莓派和Jerson nano都要千元以上，尤其是树莓派从之前的四百元上升到千元以上，而 旭日x3派四百元就可以入手。此外，Jerson nano支持的Ubuntu最高为18.04，后续版本暂不支持，这为使用最新的ROS2带来了不便。如果在预算不是很多，且需要一个性能较为强大的开发板，可以选择国产开发板旭日x3派。
其中， 地平线旭日®️ X3 派是一款面向生态开发者的嵌入式 AI 开发板，接口兼容树莓派，具有 5 TOPS 端侧推理与 4 核 ARM A53 处理能力。可同时多路 Camera Sensor 的输入并支持 H.264/H.265 编解码。结合地平线的高性能 AI 工具链与机器人开发平台，助力开发者快速落地解决方案。 X3 PI提供两种内存版本供用户选择，分别为2GB和4GB。并且旭日x3派提供了广泛的生态帮助初学者快速开发项目，其网址为https://developer.horizon.ai/sunrise。
评论（0）
您还未登录，请登录后发表或查看评论