1. 源由

YOLO（You Only Look Once）是一种实时目标检测算法，由 Joseph Redmon 等人提出。它是一种基于深度学习的检测方法，可以在图像和视频中快速识别和定位多个目标。YOLO 的设计理念和实现方法使其具备极高的速度和精度，广泛应用于安全监控、自动驾驶、医疗影像分析等领域。

2. 特点&原理

YOLO 算法的主要特点和工作原理：

1. 单次检测：YOLO 与传统的目标检测方法不同，它将目标检测问题视为一个回归问题，直接从图像生成边界框和类别概率。整个过程只需在图像上通过一次卷积神经网络（CNN），这极大地提高了检测速度。

2. 网格划分：YOLO 将图像划分成 SxS 的网格，每个网格负责检测一个目标的存在，并预测该目标的边界框和类别。这样就可以避免候选区域生成的复杂步骤。

3. 边界框预测：每个网格预测一定数量的边界框及其置信度分数，置信度分数结合了边界框与实际目标的重合度以及类别的概率。这使得模型能够在预测结果中自动筛选出高置信度的检测结果。

4. 高速处理：由于 YOLO 只需进行一次卷积操作，因此在硬件支持良好的情况下，可以实现实时检测（例如，每秒检测几十甚至上百帧）。这对于实时应用非常重要。

5. 改进的 YOLO 版本：YOLO 系列模型从最初的 YOLO 到 YOLOv8，不断提升了检测精度和速度。每个版本在网络结构和损失函数等方面进行了改进，以提高检测的准确率，减少误报和漏报。

目前，YOLO 是一种具有高效检测性能的深度学习目标检测算法，非常适合需要实时检测的应用场景。

3. 性能参数

• 交并比（Intersection over Union，IoU）：IoU 是一种度量，用于量化预测的边界框和真实边界框之间的重叠。它在评估目标定位的准确性中起着至关重要的作用。

• 平均精度（Average Precision，AP）：AP 计算的是精确率-召回率曲线下的面积，为模型的精确率和召回率性能提供了一个单一的值。

• 平均平均精度（Mean Average Precision，mAP）：mAP 扩展了 AP 的概念，通过计算多个类别的平均 AP 值，适用于多类别目标检测场景，提供对模型性能的全面评估。

• 精确率和召回率（ Precision and Recall）：精确率衡量在所有正预测中，真实正例所占的比例，评估模型避免假阳性的能力。召回率则衡量在所有实际正例中，模型正确检测到的比例，反映模型检测所有类别实例的能力。

• F1 分数：F1 分数是精确率和召回率的调和平均值，提供了一个平衡的模型性能评估，兼顾假阳性和假阴性。

1. yolov5 model
2. yolov8 model
3. yolov11 model

4. 对比视频

• Extreme Mountain Biking FPV Drone Chasing | detectnet | ssd-mobilenet-v2

• Extreme Mountain Biking FPV Drone Chasing | yolo | v5nu/v8n/v8s/11n

5. 安装

Step 01：r35.6 JetPack 5.1.4安装

略，请参考《Linux 36.3@Jetson Orin Nano之系统安装》。

Step 02：基本工具

• jtop性能

$ sudo apt install python3-pip
$ sudo pip3 install -U jetson-stats
$ sudo systemctl restart jtop.service

• 1
• 2
• 3

• 简单工具

$ sudo apt-get install aptitude tree mpv

• 1

Step 03：共享文件

安装软件

$ sudo apt-get install samba

• 1

修改配置

$ sudo vi /etc/samba/smb.conf

• 1

主要修改内容如下：

# Un-comment the following (and tweak the other settings below to suit)
# to enable the default home directory shares. This will share each
# user's home directory as \\server\username
[homes]
   comment = Home Directories
   browseable = no

# By default, the home directories are exported read-only. Change the
# next parameter to 'no' if you want to be able to write to them.
   read only = no

# File creation mask is set to 0700 for security reasons. If you want to
# create files with group=rw permissions, set next parameter to 0775.
   create mask = 0700

# Directory creation mask is set to 0700 for security reasons. If you want to
# create dirs. with group=rw permissions, set next parameter to 0775.
   directory mask = 0700

# By default, \\server\username shares can be connected to by anyone
# with access to the samba server.
# Un-comment the following parameter to make sure that only "username"
# can connect to \\server\username
# This might need tweaking when using external authentication schemes
   valid users = %S

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25

新增用户&密码

$ sudo smbpasswd -a daniel

• 1

Step 04：安装NVIDIA软件

$ wget https://developer.download.nvidia.cn/compute/redist/jp/v512/pytorch/torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
$ sudo pip3 install torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl
$ wget https://nvidia.box.com/shared/static/zostg6agm00fb6t5uisw51qi6kpcuwzd.whl -O onnxruntime_gpu-1.17.0-cp38-cp38-linux_aarch64.whl
$ sudo pip install onnxruntime_gpu-1.17.0-cp38-cp38-linux_aarch64.whl

• 1
• 2
• 3
• 4

Step 05：编译安装torchvision

$ sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libopenblas-dev libavcodec-dev libavformat-dev libswscale-dev
$ sudo apt-get install python3-pip libopenblas-base libopenmpi-dev libomp-dev
$ git clone --branch v0.16.1 [email protected]:pytorch/vision.git  torchvision
$ cd torchvision/
$ export BUILD_VERSION=0.16.1
$ sudo python3 setup.py install --user
$ cd ..

• 1
• 2
• 3
• 4
• 5
• 6
• 7

Step 06：安装yolo

$ sudo pip3 install ultralytics

• 1

Step 07：下载模型

• v3,v4,v5,v6,v7,v8,v9,v10,v11模型文件

$ wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt

• 1

• 转换到各种格式（NVIDIA TensorRT用engine格式）

$ yolo export model=yolo11n.pt format=engine
or
$ yolo export model=yolov11n.pt format=onnx

• 1
• 2
• 3

注：如果存在网络问题，尤其是大陆用户，请使用代理export https_proxy=http://192.168.1.10:808。

Step 08：运行yolo

$ sudo python3 -m pip install --upgrade certifi
$ sudo pip3 install --no-cache-dir onnx>=1.12.0
$ sudo pip3 install --no-cache-dir onnxslim
$ sudo pip3 install --no-cache-dir onnxruntime
$ sudo pip install numpy==1.23.5

• 1
• 2
• 3
• 4
• 5

Step 09：yolo指南示例

参考：YOLO - Convert Model to TensorRT and Run Inference

$ yolo predict model=yolo11n.engine source='https://ultralytics.com/images/bus.jpg'

• 1

若网络环境不好，请使用下面命令分解执行：

$ wget https://ultralytics.com/images/bus.jpg -O bus.jpg
$ yolo predict model=yolo11n.engine source='bus.jpg'

• 1
• 2

Step 10：视频应用示例

$ yolo predict model=yolo11n.engine source='video.mp4' show=True

• 1

注：video.mp4文件可以根据各自应用来进行安排。另外，相关预测文件可以在当前目录run下找到。

6. 参考资料

【1】Linux 36.3@Jetson Orin Nano之系统安装
【2】Linux 36.2@Jetson Orin Nano之基础环境构建
【3】ubuntu22.04@Jetson Orin Nano安装&配置VNC服务端