树莓派部署YOLOv5：边缘计算目标检测实战

1. 项目概述：当树莓派遇上YOLOv5

去年帮朋友部署智能门禁时，我第一次尝试在树莓派4B上跑YOLOv5s模型。当实时视频里开始准确框出人脸和包裹时，这块信用卡大小的开发板彻底颠覆了我对边缘计算的认知。如今树莓派5的性能提升加上YOLOv5的持续优化，让目标检测在嵌入式端的落地变得前所未有的简单。

这个方案特别适合三类场景：需要低成本部署AI的中小型企业（比如零售客流量统计）、教育领域的AI教学实践、以及创客社区的智能硬件开发。相比动辄上万的AI专用设备，树莓派+YOLOv5的组合能把硬件成本控制在千元以内，而检测精度在多数场景下完全够用。

2. 开发环境搭建

2.1 硬件选型要点

实测树莓派4B 8GB版本是最具性价比的选择。虽然树莓派5的CPU性能提升显著，但在YOLOv5推理场景下，两者的帧率差距不超过15%。建议优先考虑散热方案：

• 必备金属散热外壳（温度可降低10-15℃）
• 推荐加装30mm静音风扇（满负载时温度控制在50℃以下）
• 避免使用TF卡存储，改用USB3.0移动SSD（读写速度提升5倍）

特别注意：树莓派默认的电源管理会限制CPU性能，建议在/boot/config.txt中添加：

code复制over_voltage=2
arm_freq=1800

2.2 软件环境配置

使用64位Bullseye系统能获得更好的内存管理。我优化过的安装流程如下：

bash复制# 1. 安装miniforge代替原生conda
wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-aarch64.sh
bash Miniforge3-Linux-aarch64.sh

# 2. 创建专用环境（Python3.8最稳定）
conda create -n yolov5 python=3.8
conda activate yolov5

# 3. 安装PyTorch的ARM优化版
pip install torch-1.10.0-cp38-cp38-linux_aarch64.whl  # 需提前下载

3. YOLOv5模型优化实战

3.1 模型量化技巧

在树莓派上直接运行原版YOLOv5s模型（14MB）约2FPS，通过以下优化可提升至8-10FPS：

1. 动态量化（效果最显著）：

python复制model = torch.quantization.quantize_dynamic(
    model, {torch.nn.Linear}, dtype=torch.qint8)

2. 权重剪枝（需重新微调）：

python复制from torch.nn.utils import prune
prune.l1_unstructured(model.backbone[0].conv1, name='weight', amount=0.2)

3. OpenVINO转换（Intel神经棒适用）：

bash复制python export.py --weights yolov5s.pt --include onnx
mo --input_model yolov5s.onnx --data_type FP16

3.2 输入预处理加速

将常规的归一化操作移到GPU上执行能减少30%的预处理时间：

python复制# 传统方式（慢）
img = (img / 255.0).astype(np.float32)

# 优化方式（快）
img = torch.from_numpy(img).to(device)
img = img.half() if half else img.float()
img = img / 255.0

4. 实时视频处理方案

4.1 多线程采集框架

使用生产者-消费者模式避免I/O阻塞：

python复制from threading import Thread
from queue import Queue

class VideoStream:
    def __init__(self, src=0):
        self.stream = cv2.VideoCapture(src)
        self.stopped = False
        self.Q = Queue(maxsize=128)  # 限制内存占用

    def start(self):
        Thread(target=self.update, args=()).start()
        return self

    def update(self):
        while not self.stopped:
            if not self.Q.full():
                ret, frame = self.stream.read()
                if ret:
                    self.Q.put(frame)

4.2 动态分辨率调整

根据场景复杂度自动切换输入尺寸：

python复制def auto_resolution(frame, fps):
    if fps < 5:  # 性能不足时降分辨率
        return cv2.resize(frame, (320, 320))
    elif fps > 15:  # 性能充足时升分辨率
        return cv2.resize(frame, (640, 640))
    else:
        return frame

5. 典型问题排查手册

5.1 内存泄漏排查

树莓派上常见的内存问题可通过以下命令监控：

bash复制watch -n 1 free -h

如果发现缓存持续增长，在Python代码中添加：

python复制import gc
gc.collect()  # 每处理100帧强制回收一次

5.2 温度控制策略

编写温度监控脚本防止过热降频：

python复制import os
import time

def check_temp():
    temp = os.popen('vcgencmd measure_temp').readline()
    return float(temp.replace("temp=", "").replace("'C\n", ""))

while True:
    if check_temp() > 75:
        os.system('sudo throttled --pause')  # 暂停高负载任务
        time.sleep(60)

6. 性能优化实测数据

在树莓派4B 8GB版本上的测试结果（输入尺寸640x640）：

实际部署时发现，夜间场景下开启红外补光会显著提升检测精度（约15% AP提升），但会导致帧率下降20%。建议通过光敏传感器动态切换检测模式。