FireFly RK3588开发板上烧录的Ubuntu20.04系统，在此基础上线部署下简单的Python版本yolov5代码，目前博主已全部转为C++版本了，并且转化了pt模型为rknn模型，调用npu进行推理，效果和速度都比原先Python代码好很多。本篇主要介绍如何部署和运行yolov5目标检测代码。

🍉1、安装anaconda

Anaconda是流行的Python/R数据科学和机器学习平台，用于大规模数据处理，预测分析和科学计算。Anaconda附带了250个开源数据包，并且可以从Anaconda存储库中安装超过7500个其他包。 它还包括conda命令行工具和称为Anaconda Navigator的桌面图形用户界面。

1、进入Anaconda官网，下载安装包，注意文件后缀是你的系统架构，比如x86、amd64或者aarch64，可以通过下面命令查看。

2、cd到你的下载目录，然后bash Anaconda3-2022.05-Linux-aarch64.sh，进行安装，会看到以下画面：

Welcome to Anaconda3 2022.05

In order to continue the installation process, please review the license
agreement.
Please, press ENTER to continue
>>> 
1
2
3
4
5
6

3、按ENTER继续。要滚动浏览许可证，请使用ENTER键。审查完许可后，将要求您批准许可条款：

Do you approve the license terms? [yes|no]
1

4、键入yes接受许可，系统将提示您选择安装位置：

Anaconda3 will now be installed into this location:
/home/firefly/anaconda3

    - Press ENTER to confirm the location
    - Press CTRL-C to abort the installation
    - Or specify a different location below
1
2
3
4
5
6

5、默认位置对于我们大多数用户来说已经就可以，按ENTER确认安装位置。安装可能需要一些时间，完成后，脚本将询问您是否要运行conda init，键入yes。

Installation finished.
Do you wish the installer to initialize Anaconda3
by running conda init? [yes|no]
1
2
3

6、这会将命令行工具conda添加到系统的PATH中。要激活Anaconda安装，您可以关闭并重新打开终端，或者通过键入以下命令来将新的PATH环境变量加载到当前的shell会话中：

source ~/.bashrc
1

7、这样就是成功了安装了Anaconda，现在我们创建一个python3.8的名称为yolo的环境。打开终端，输入conda create -n yolo python=3.8回车，输入y确定，等待创建成功即可。

如果你是Windows系统，可以看下win10的anaconda安装配置教程

🍑2、配置yolov5环境

1、从github官网或者gitee镜像网站下载yolov5的代码，我这里下载的是v6.0版本，如果你直接下载的话默认的是最新版，为了保证能顺利运行，建议和我下载一样的版本。然后下载它对应的模型weights，weights分为s，m，l，x四个尺寸的模型文件，我这里就下载了yolov5s.pt，然后把它放在根目录下，如下图所示：

2、在volov5-6.0下的requirements.txt，把numpy == 1.17的 ==1.17删去，然后在该文件夹下的终端中输入

pip3 install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
1

即可全自动安装前十一个依赖项(-i 选项指定了清华源，速度很快)。

3、安装COCOAPI

进入github，clone下来，在子文件夹PythonAPI下打开终端，输入make或者python setup.py --user即可安装。如果有报错则可能是缺少依赖或者版本不对，那么用pip安装指定版本即可。

至此，yolo所需的环境配置完成，是不是非常简单，毕竟这些操作都应该是大学生必备技能！

🍦3、运行yolov5算法

1、可以在source这里修改输入源，可以是图像、文件夹、网络视频、rtsp视频流等，或者0调用自带摄像头。

2、然后终端进入我们创建的yolo环境，输入python detect.py即可运行。可以看到窗口中是我的IP相机的rtsp流，每个不同类别的目标都有不同颜色的检测框，上面是目标的置信度（预测概率），控制台是每一帧检测情况的日志。

输入命令也可以加上很多参数，比如–source指定输入源，–weights指定权重文件等。

至此，你已经成功运行出yolo算法了，是不是很简单直接呢，作为目标检测最经典的算法，是我们计算机视觉研究者必会算法之一，关于yolov5的网络结构，可以看下它的论文，目前yolov7已经出来了，更新速度非常快。