文章目录

香橙派AIpro-携手华为-为AI赋能开箱和功能介绍开箱功能介绍

环境搭建镜像烧录进入系统

测试项目YOLOv5部署YOLOv5识别单张图片实时识别视频使用Ascend测试yolov5

产品评价

香橙派AIpro-携手华为-为AI赋能

今天新入手了一款香橙派AIPro，让我们一起跟着文章体验一下不一样的

开箱和功能介绍

开箱

香橙派AIpro包装是比较精致的，一共包含开发板，65W充电器和充电线一根，开发板中有一个32G的内存卡，里面是包含自带的系统。

主板对比，香橙派和我手中现有的AI板 Alinx zynq7000相比，体积更小，且不需要接入外置模块即可使用串口进行通信，整体结构更干净整洁。接通电源之后，香橙派的风扇声音也较小，且正常运行时在我的环境下，感知不到风扇的声音。

功能介绍

OrangePi AIpro(8-12T)采用昇腾AI技术路线，具体为4核64位处理器+AI处理器，集成图形处理器，支持8-12TOPS AI算力，拥有8GB/16GB LPDDR4X，可以外接32GB/64GB/128GB/256GB eMMC模块，支持双4K高清输出。 Orange Pi AIpro引用了相当丰富的接口，包括两个HDMI输出、GPIO接口、Type-C电源接口、支持SATA/NVMe SSD 2280的M.2插槽、TF插槽、千兆网口、两个USB3.0、一个USB Type-C 3.0、一个Micro USB（串口打印调试功能）、两个MIPI摄像头、一个MIPI屏等，预留电池接口，可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。 Orange Pi AIpro支持Ubuntu、openEuler操作系统，满足大多数AI算法原型验证、推理应用开发的需求。

硬件规格参数：

产品图

环境搭建

镜像烧录

接下来我们到官网去下载一个镜像，将其烧录到内存卡中，并且等待烧录完成，

注意： 我使用的是win11操作系统，使用香橙派资料提供的烧录工具烧录一直失败。但是也是可以进系统的。记得要使用管理员方式去启动烧写工具，不然可能即使显示烧写成功，也无法进入系统。

香橙派资料下载地址

烧录工具下载地址

进入系统

进入系统： 接上电源等待开机之后进入系统，之后输入密码Mind@123即可进入系统，我这里烧录的是香橙派提供的Ubuntu镜像

配置WIFI模块：使用图形界面连接上WIFI之后查看对应的地址

查看地址并使用远程ssh连接

下载pycharm: 测试网络模块，并且下载pycharm，可以看到可以正常进行互联网的访问

打开pycharm：香橙派的Ubuntu环境还是比较全的，可以正常的使用MobaXterm进行远程打开pycharm

测试项目YOLOv5

香橙派自带的conda的base安装的python环境是3.9.2，我们这里就使用这个环境来测试，如果你想更换的话请使用下面的命令自行更换环境

<code>conda create -n name python=version

部署YOLOv5识别单张图片

先到github上去下载yolov5将下载的zip文件传到香橙派中解压

unzip yolov5-master.zip

cd yolov5-master

检查pip位置是否正确

which pip

# (base) HwHiAiUser@orangepiaipro:~/Documents/yolov5-master$ which pip

# /usr/local/miniconda3/bin/pip

安装对应的库，这里面的错误我们先忽略。经过实验，这两个错误并不会影响运行。

pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

识别单张图片 ： 这个里面的yolov5m-seg.pt如果不存在，会自动到github上去下载，但是速度极慢，建议是下载好，然后指定对应路径的pt文件

<code>python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg

观察输出：通过对比识别结果和原始图片，我们会发现YOLOv5模型在识别效率和精度方面表现非常出色。无论是公交车的轮廓还是细节，模型都能够准确地识别并标注出来，显示了其强大的图像处理能力。

<code># Fusing layers...

# YOLOv5m-seg summary: 301 layers, 21971597 parameters, 0 gradients, 70.8 GFLOPs

# image 1/2 /home/HwHiAiUser/Documents/yolov5-master/data/images/bus.jpg: 640x480 4 persons, 1 bus, 2052.6ms

# image 2/2 /home/HwHiAiUser/Documents/yolov5-master/data/images/zidane.jpg: 384x640 2 persons, 1 tie, 1660.7ms

# Speed: 4.7ms pre-process, 1856.6ms inference, 13.7ms NMS per image at shape (1, 3, 640, 640)

# Results saved to runs/predict-seg/exp3

实时识别视频

使用yolo对视频进行实时监测

修改源码detect.py的361行

parser = argparse.ArgumentParser()

parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "yolov5s.pt", help="model path or triton URL")code>

# parser.add_argument("--source", type=str, default=ROOT / "data/images", help="file/dir/URL/glob/screen/0(webcam)")code>

parser.add_argument("--source", type=str, default=ROOT / "data/video", help="file/dir/URL/glob/screen/0(webcam)")code>

parser.add_argument("--data", type=str, default=ROOT / "data/coco128.yaml", help="(optional) dataset.yaml path")code>

parser.add_argument("--imgsz", "--img", "--img-size", nargs="+", type=int, default=[640], help="inference size h,w")code>

parser.add_argument("--conf-thres", type=float, default=0.25, help="confidence threshold")code>

parser.add_argument("--iou-thres", type=float, default=0.45, help="NMS IoU threshold")code>

parser.add_argument("--max-det", type=int, default=1000, help="maximum detections per image")code>

parser.add_argument("--device", default="", help="cuda device, i.e. 0 or 0,1,2,3 or cpu")code>

parser.add_argument("--view-img", action="store_true", help="show results")code>

parser.add_argument("--save-txt", action="store_true", help="save results to *.txt")code>

parser.add_argument("--save-csv", action="store_true", help="save results in CSV format")code>

parser.add_argument("--save-conf", action="store_true", help="save confidences in --save-txt labels")code>

parser.add_argument("--save-crop", action="store_true", help="save cropped prediction boxes")code>

parser.add_argument("--nosave", action="store_true", help="do not save images/videos")code>

parser.add_argument("--classes", nargs="+", type=int, help="filter by class: --classes 0, or --classes 0 2 3")code>

parser.add_argument("--agnostic-nms", action="store_true", help="class-agnostic NMS")code>

parser.add_argument("--augment", action="store_true", help="augmented inference")code>

parser.add_argument("--visualize", action="store_true", help="visualize features")code>

parser.add_argument("--update", action="store_true", help="update all models")code>

parser.add_argument("--project", default=ROOT / "runs/detect", help="save results to project/name")code>

parser.add_argument("--name", default="exp", help="save results to project/name")code>

parser.add_argument("--exist-ok", action="store_true", help="existing project/name ok, do not increment")code>

parser.add_argument("--line-thickness", default=3, type=int, help="bounding box thickness (pixels)")code>

parser.add_argument("--hide-labels", default=False, action="store_true", help="hide labels")code>

parser.add_argument("--hide-conf", default=False, action="store_true", help="hide confidences")code>

parser.add_argument("--half", action="store_true", help="use FP16 half-precision inference")code>

parser.add_argument("--dnn", action="store_true", help="use OpenCV DNN for ONNX inference")code>

parser.add_argument("--vid-stride", type=int, default=1, help="video frame-rate stride")code>

opt = parser.parse_args()

opt.imgsz *= 2 if len(opt.imgsz) == 1 else 1 # expand

print_args(vars(opt))

return opt

执行下面的命令：等待完成

python segment/predict.py --weights ~/Documents/yolov5m-seg.pt --source ~/Downloads/test.mp4

YoloV5测试视频

使用Ascend测试yolov5