如何在Jetson Nano上使用YOLOv8實(shí)時(shí)檢測和計(jì)數(shù)空白空間
在Jetson nano優(yōu)化的邊緣AI上使用YOLOv8實(shí)時(shí)有效地檢測和計(jì)數(shù)空白空間，以實(shí)現(xiàn)更智能的空間管理。
1. 概述
在停車場、零售貨架和倉庫中，有效地管理空置空間是一個(gè)共同的挑戰(zhàn)。本項(xiàng)目演示了，提供了一個(gè)由邊緣人工智能驅(qū)動(dòng)的經(jīng)濟(jì)高效的解決方案。
YOLOv8(你只看一次，版本8)。是一種最先進(jìn)的物體檢測模型，以其速度和準(zhǔn)確性而聞名。它能夠快速準(zhǔn)確地實(shí)時(shí)識(shí)別物體，使其成為空空間檢測應(yīng)用的理想選擇。通過定制YOLOv8，我們可以訓(xùn)練模型專門識(shí)別Empty Space，增強(qiáng)其有效性。
Jetson Nano是NVIDIA開發(fā)的一款功能強(qiáng)大但價(jià)格實(shí)惠的邊緣人工智能平臺(tái)，是部署基于yolov8的空白空間探測系統(tǒng)的絕佳選擇。其緊湊的尺寸、低功耗和強(qiáng)大的GPU功能使其非常適合在邊緣運(yùn)行復(fù)雜的人工智能模型。
2.硬件配置
3. 軟件配置
4.準(zhǔn)備數(shù)據(jù)集
下載具有所需格式的數(shù)據(jù)集，如下圖所示。
該數(shù)據(jù)集組織良好，包括以JSON格式注釋的圖像，分為三類：訓(xùn)練(494張圖像)、測試(74張圖像)和有效(140張圖像)。它具有三個(gè)類(available_1, available_2, available_3)。YAML文件和其他文本文件提供了配置設(shè)置和說明，以方便在機(jī)器學(xué)習(xí)工作流程中使用數(shù)據(jù)集。
5.訓(xùn)練模型
要培訓(xùn)YOLOv8或更高版本(因?yàn)閅OLOv8是Ultralytics的產(chǎn)品)，請(qǐng)參閱Ultralytics文檔以獲取詳細(xì)說明。使用空白空間數(shù)據(jù)集自定義YOLOv8，如使用YOLOv8的實(shí)時(shí)空白空間檢測和計(jì)數(shù)教程所示，涉及在針對(duì)您的應(yīng)用程序量身定制的特定目標(biāo)數(shù)據(jù)集上訓(xùn)練YOLOv8。
5.1. 配置培訓(xùn)環(huán)境：
使用提供的YAML文件配置訓(xùn)練參數(shù)。該文件將包括計(jì)算機(jī)上數(shù)據(jù)集的路徑、類的數(shù)量和其他必要的設(shè)置。
一個(gè)示例YAML配置可能如下所示：
5.2. 訓(xùn)練模型
5.3. 空間建筑
下圖說明了空空間檢測架構(gòu)。它包括通過凍結(jié)某些層的權(quán)重來微調(diào)預(yù)訓(xùn)練的YOLOv8模型，并將輸出通過密集層進(jìn)行墜落運(yùn)動(dòng)分類。
5.4.訓(xùn)練模型
6. 評(píng)估模型的性能
評(píng)估結(jié)果表明，平均精密度(mAP)為99%，精密度為99%，召回率為99%。這些圖提供了我們的模型性能的可視化，說明了它在通過訓(xùn)練結(jié)果圖和混淆矩陣檢測跌倒方面的魯棒性。
7.Hareware設(shè)置
8.推理
這段Python代碼會(huì)進(jìn)行推斷，實(shí)時(shí)檢測某個(gè)空間是空的還是可用的。
代碼
import cv2
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO(r'D:\My-Pretrained\empty_space.onnx')
cap = cv2.VideoCapture(0)
def count_available_spaces(results):
available_count = 0
for result in results:
for label in result.boxes.cls:
if model.names[int(label)] == "available_3":
available_count += 1
return available_count
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLOv8 inference on the frame
results = model(frame)
# Count the available spaces
available_count = count_available_spaces(results)
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Display the count of available spaces on the frame
cv2.putText(annotated_frame, f"Available Spaces: {available_count}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
# Display the annotated frame
cv2.imshow("YOLOv8 Inference", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()
本文編譯自hackster.io
下載文檔
