树莓派5开发板-安装Raspberry Pi系统-学习记录1

树莓派5开发板介绍

树莓派5（Raspberry Pi 5）是树莓派系列最新的开发板，相较于前几代产品，它在性能、连接性和功能方面都有了显著提升。以下是树莓派5的一些主要特点：

处理器：树莓派5搭载了Broadcom BCM2712 四核 Cortex-A76 处理器，时钟频率高达2.4GHz，比树莓派4提升了30%到40%的性能。
内存：可选4GB或8GB LPDDR4X-4266 SDRAM，提供更快的数据访问速度和更大的内存空间，适合多任务处理和更重的工作负载。
图形处理：集成了增强的VideoCore VII GPU，支持4K显示输出和更高的图形处理能力。
存储：树莓派5支持microSD卡作为主要存储方式，并增加了PCIe接口，支持更高速的SSD扩展。
连接性：
- 提供两个全尺寸HDMI 2.1接口，支持双4K显示输出。
- 千兆以太网接口，支持更快速和稳定的网络连接。
- USB接口：两个USB 3.0接口和两个USB 2.0接口。
- GPIO引脚：与前代保持一致的40针GPIO接口，方便进行各种电子项目开发。
电源管理：改进的电源管理芯片支持更高效的能耗控制和更精细的电源监控，采用USB-C接口供电（需要5V/3A）。
其他特色：集成了改进的冷却系统，减少了发热，同时提供更稳定的性能。

###一、树莓派5的基本使用指南

以下是如何设置和使用树莓派5开发板的详细步骤：

1. 硬件准备

树莓派5开发板
SD卡：建议至少32GB的容量和Class 10或更高的速度。
电源适配器：需要5V/3A的USB-C电源适配器。
HDMI显示器和线缆：连接到显示器查看输出（树莓派5支持双4K显示，使用两个HDMI接口）。
键盘和鼠标：通过USB接口连接。
网络连接：通过以太网或Wi-Fi连接到互联网。

2. 安装Raspberry Pi OS (64-bit) with desktop

你需要在SD卡上安装树莓派的操作系统（Raspberry Pi OS 64位版本带桌面环境）。以下是详细步骤：

下载Raspberry Pi Imager：点击这里下载Raspberry Pi Imager 并根据你的操作系统（Windows、macOS、Linux）进行安装。
准备SD卡：将SD卡插入你的电脑（建议至少32GB）。
选择操作系统：
- 打开Raspberry Pi Imager，点击“Choose OS”，选择Raspberry Pi OS (64-bit) with desktop。
选择SD卡：
- 点击“Choose Storage”，选择插入的SD卡。
写入操作系统：
- 点击“Write”按钮开始写入操作系统。这个过程可能需要几分钟。
插入SD卡并启动树莓派5：
- 将写入完成的SD卡插入树莓派5的SD卡槽。
- 连接键盘、鼠标、显示器和电源适配器，树莓派将自动启动并进入Raspberry Pi OS的设置界面。

3. 首次设置树莓派

树莓派启动后，系统会引导你完成初始设置，包括语言、时区、Wi-Fi网络等。
更新系统至最新版本。打开终端，运行以下命令：
```
sudo apt update
sudo apt full-upgrade
```
这样可以确保你的系统和软件包都是最新的版本。

4. 安装常用软件和工具

树莓派支持多种开发环境和工具，你可以根据自己的需求安装所需的软件包。例如：

安装Python和pip：
```
sudo apt install python3 python3-pip
```

效果如下：
在这里插入图片描述

安装Node.js和npm：
```
sudo apt install nodejs npm
```
安装Git版本控制工具：
```
sudo apt install git
```

5. 开始你的项目

树莓派5适合多种开发和学习项目，你可以尝试以下方向：

Python编程和自动化脚本：适合编写自动化脚本、数据处理或学习编程。
物联网和电子项目：利用树莓派的GPIO引脚连接传感器、LED、马达等硬件，开发各种创意项目。
搭建Web服务器：使用Flask、Django、Node.js等技术搭建本地或云端服务器。
机器学习和人工智能：在树莓派上运行轻量级的机器学习模型，进行图像识别或自然语言处理。
智能家居控制：使用Home Assistant等软件构建和管理智能家居设备。

6. 备份与恢复

建议定期备份你的SD卡数据以防丢失。你可以使用Raspberry Pi Imager的“Read”功能创建SD卡的镜像备份。

7. 获取更多资源和支持

官方文档：树莓派官方文档
社区论坛：Raspberry Pi Forums
在线教程和项目：网络上有丰富的教程、视频和项目资源可以帮助你更好地利用树莓派5。

二、实例-树莓派5上部署YOLOv10的步骤

以下是根据你指定的文件路径/home/pi/yolo整理的在树莓派5上部署YOLOv10模型并进行图像检测测试的详细步骤。

我们将逐步创建YOLO项目文件夹，设置Python虚拟环境，安装所需库，下载YOLOv10模型文件，并编写Python脚本进行图像检测测试。

1. 创建YOLO文件夹并设置Python虚拟环境

首先，我们在/home/pi目录下创建一个名为yolo的文件夹，并在其中创建一个Python虚拟环境yolo_venv来管理依赖。

打开终端并运行以下命令：

# 创建yolo项目文件夹
mkdir /home/pi/yolo
cd /home/pi/yolo

# 创建Python虚拟环境
python3 -m venv yolo_venv

# 激活虚拟环境
source yolo_venv/bin/activate

激活虚拟环境后，终端的提示符前将显示(yolo_venv)，表示虚拟环境已激活。
如下图所示：
在这里插入图片描述

2. 安装所需的库

在虚拟环境中，我们需要安装YOLOv10所需的Python库。YOLOv10通常使用PyTorch进行深度学习计算，同时需要其他一些库进行图像处理和显示。

执行以下命令来安装所需的库：

# 更新pip
pip install --upgrade pip

# 安装PyTorch和TorchVision（请根据Raspberry Pi 5的ARM架构选择适合的版本）
pip install torch torchvision ultralytics

# 安装OpenCV用于图像处理
pip install opencv-python

# 安装其他常用库
pip install numpy matplotlib

若是网速慢，换成国内镜像源下载：
Python的国内安装源（也称为镜像源）
清华大学 TUNA 镜像源：

https://pypi.tuna.tsinghua.edu.cn/simple/
阿里云镜像源：

https://mirrors.aliyun.com/pypi/simple/
华为云镜像源：

https://developer.huaweicloud.com/mirror/#/pypi_simple
豆瓣（DOUBAN）镜像源：

https://pypi.douban.com/simple/
中国科技大学镜像源：

https://pypi.mirrors.ustc.edu.cn/simple/
北京外国语大学镜像源：

https://pypi.mirrors.bfu.edu.cn/simple/

安装方式如下：

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/

3. 下载YOLOv10m模型文件

我们需要从GitHub上下载YOLOv10m的权重文件yolov10m.pt。这里使用wget命令来下载模型文件。

运行以下命令：

# 下载YOLOv10m模型文件到yolo文件夹中
wget https://github.com/THU-MIG/yolov10/releases/download/v1.0/yolov10m.pt -P /home/pi/yolo

请确保该链接是有效的，并且可以访问以下载模型文件。

4. 编写Python脚本进行图像测试

在/home/pi/yolo文件夹中，编写一个Python脚本来加载YOLOv10模型并对一张测试图片进行物体检测。我们将使用OpenCV来读取和显示图像。

在/home/pi/yolo文件夹中创建一个名为yolo_test.py的Python文件，并添加以下代码：

from ultralytics import YOLO
import cv2

# 加载YOLOv10m模型
model = YOLO("/home/pi/yolo/yolov10m.pt")

# 读取测试图像
image_path = '/home/pi/yolo/test.jpg'  # 替换为你的测试图像路径
img = cv2.imread(image_path)

# 检查图像是否加载成功
if img is None:
    print(f"Error: Unable to load image at {image_path}")
    exit()

# 模型检测
results = model.predict(source=img)  # 不使用show=True，因为我们将手动处理显示

# 提取检测结果并显示
for result in results:
    # result.plot() 会返回带有绘制检测框的图像
    annotated_img = result.plot()

    # 使用OpenCV的imshow显示图像
    cv2.imshow('YOLOv10 Detection', annotated_img)

    # 按任意键继续
    cv2.waitKey(0)

    # 销毁所有窗口
    cv2.destroyAllWindows()

    # 保存检测结果图像
    result.save(save_dir="/home/pi/yolo/results")

5. 准备测试图片

将你要测试的图片放在/home/pi/yolo文件夹中，并确保文件名与脚本中的image_path匹配（例如，使用test.jpg作为文件名）。

6. 运行测试脚本

确保你仍然在虚拟环境中，并且当前路径是/home/pi/yolo。然后运行以下命令来执行检测脚本：

python yolo_test.py

脚本会加载模型、处理图像，并输出检测结果。如果一切正常，你应该能看到控制台输出的检测信息以及检测框和标签的图像。

7. 检查输出结果

脚本会自动显示检测结果图像，并在/home/pi/yolo目录中保存检测后的图像文件。你可以查看输出的图像以验证检测效果。

代码详解：

解释

加载模型和图像：和之前一样，加载YOLOv10模型和测试图像。
模型预测：
- 使用 model.predict(source=img) 来进行检测。
- 这里没有使用 show=True，因为我们将手动处理图像显示。
显示结果图像：
- 使用 result.plot() 函数获取带有检测框的图像，这样图像会自动包含检测框和标签。
- 使用 cv2.imshow('YOLOv10 Detection', annotated_img) 来显示带注释的图像。
- 使用 cv2.waitKey(0) 等待用户按任意键关闭图像窗口，然后使用 cv2.destroyAllWindows() 销毁所有窗口。
保存结果：继续使用 result.save(save_dir="/home/pi/yolo/results") 保存检测后的图像文件。