垃圾分類--環境配置

寫在前面：

如果你們打這屆比賽時，還有我們所保留的內存卡，那么插上即可運行（因為內存卡里我們已經配置好所有的環境）

本文提供兩種環境的配置

一種是基于yolov8：YOLOv8 - Ultralytics YOLO Docshttps://docs.ultralytics.com/models/yolov8/（這是官網，進不去的話，需要科學上網）

另一種是基于飛漿：飛槳AI Studio星河社區-人工智能學習與實訓社區https://aistudio.baidu.com/overview

jetson nano教程：重點是燒錄鏡像、換源、更改輸入設置。
Jetson Nano 從入門到實戰（案例：Opencv配置、人臉檢測、二維碼檢測）_jetson nano 從入門到實戰(案例:opencv配置、人臉檢測、二維碼檢測)-CSDN博客https://blog.csdn.net/qianbin3200896/article/details/103760640?spm=1001.2014.3001.5506

一

環境配置

我們所使用的時第二種，所以先說第二種，可以按照之前學長所給出的教程進行配置：jetson nano部署paddle Inference環境全過程_jetson paddle-CSDN博客https://blog.csdn.net/pdsrzbypdbyz/article/details/144172807?spm=1001.2014.3001.5506

按照上述環境配置好之后，將garbageCan該文件夾拖到nano上，運行代碼即可

cd garbageCan/code
python3.7 test_tt.py

通過網盤分享的文件：garbageCan
鏈接: https://pan.baidu.com/s/1yZ733DwlhyQ8h4zVlJCwOA?pwd=g824 提取碼: g824?

如果你們用的是SUB國產板子（后面會講），需要先創建虛擬環境，然后在虛擬環境里進行配置，否則會與系統環境產生沖突。在虛擬環境里配置好飛漿的環境之后運行如下代碼：

conda activate garbage #先激活虛擬環境，虛擬環境的名字根據你們的所創建的來
cd garbageCan/code
sudo python3.7 test_tt.py
輸入密碼即可運行（密碼：yahboom）

上述的test_tt.py是最終的代碼?需要接入攝像頭（我們用的是USB）、超聲波、stm32等等
test_tt.py代碼的邏輯如下：

如果有報錯，可以粘貼給AI，根據AI的提示來解決報錯問題（報錯的種類很多，在這里不能一一贅述）

若想查看攝像頭的位置可以運行如下代碼：

cd garbageCan/code
python3.7 test_8000.py

如下圖所示：

比賽時不會讓你用鍵盤執行上述代碼，需要寫一個開機自啟動腳本（只需上電后即可自動運行上述代碼）。
可以根據如下教程來：Jetson nano開機自啟動python程序_jetson nano設置開機啟動c++he python程序-CSDN博客https://blog.csdn.net/BluErroR/article/details/121640814?spm=1001.2014.3001.5506
Jetson nano開機自啟動程序-CSDN博客https://blog.csdn.net/qq_40672115/article/details/128140321?spm=1001.2014.3001.5506

如果執行不成功，可以加上sudo（以最高權限進行執行）
如：sudo gnome-session-properties

模型的訓練：

?

上述就是第二種環境的所有操作。

二、

再說第一種，因為第一種未能在省賽之前跑出來，所以沒有完整的垃圾分類代碼，在這里我只演示如何配置環境以及運行

我們在進行環境配置之前，推薦先創建一個虛擬環境，虛擬環境與系統環境相隔開，能減少不必要的麻煩

創建虛擬環境

一、先下載miniconda

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

二安裝Conda

bash Miniconda3-latest-Linux-x86_64.sh

三、初始化&&創建并激活環境

conda init
conda create --name yolo_v8 python=3.8  # 指定 Python 版本，如果需要
conda activate yolo_v8

?激活環境之后（上述所激活的環境為yolo_v8）接著進行如下操作：

一、更新系統
?

sudo apt update && sudo apt upgrade -y
sudo apt install python3-pip python3-dev python3-venv -y

二、安裝pytorch

pytorch是深度學習的框架，提供了眾多的yolo所需的依賴以及GPU的加速支持

1.需要安裝對應版本的pytorch，用如下代碼來查看自己的jetPack版本
?

cat /etc/nv_tegra_release  # 查詢JetPack版本（如JP4.6=L4T 32.7）

2.安裝對應版本PyTorch?

①、適用于JetPack?4.6+?(CUDA?10.2)：

wget?https://nvidia.box.com/shared/static/ssf2s7g6zai470t8jppzldw7mvb6v0g6.whl?-O?torch-1.12.0a0+2c916ef.nv22.3-cp38-cp38-linux_aarch64.whl
pip3?install?numpy?torch-1.12.0a0+2c916ef.nv22.3-cp38-cp38-linux_aarch64.whl

②、適用于JetPack?5.x?(CUDA?11.4+)：
?

wget?https://developer.download.nvidia.com/compute/redist/jp/v50/pytorch/torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl
pip3?install?numpy?torch-2.0.0+nv23.05-cp38-cp38-linux_aarch64.whl

我們應該是第①個，因為cuda版本是10.2
我在下載pytorch時，老是遇到網絡的問題，可以將nano連接自己的熱點（注意將自己熱點的AP頻段設置為2.4GHz）

三、安裝yolov8依賴

pip3 install ultralytics
pip3 install matplotlib opencv-python-headless
sudo apt install libcanberra-gtk-module -y  # 解決OpenCV GTK警告

創建好虛擬并配置好環境之后，先激活虛擬環境并進行如下操作：
?

python3 #先激活python環境，python激活的是python2環境，我們python的版本為3.8所以要python3
from ultralytics import YOLO
model = YOLO("yolov8n.pt")  # 會自動下載模型
results = model.predict('https://ultralytics.com/images/bus.jpg', save=True)

接下來就會有推理的結果

上面配置環境時會有各種各樣的問題，同樣的可以將報錯粘貼給AI，根據AI的提示進行解決報錯，切記不要按部就班的粘貼AI所給的代碼。

模型的訓練：

nano的性能肯定是不足以訓練模型，所以還是要在本地進行訓練。可參考下面的教程：
重點參考：如何標注自己的數據集？如何配置環境？如何訓練模型？
使用YOLOv8訓練自己的數據集（原理解析+數據標注說明+訓練教程+圖形化系統開發）_yolov8 訓練自己的數據集-CSDN博客https://blog.csdn.net/ECHOSON/article/details/141301902?ops_request_misc=%257B%2522request%255Fid%2522%253A%252213716dea88c48b47a9f27f8c4177a9cd%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=13716dea88c48b47a9f27f8c4177a9cd&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~rank_v31_ecpm-1-141301902-null-null.nonecase&utm_term=yolov8&spm=1018.2226.3001.4450【大作業-18】手把手教你用YOLOv8訓練自己的數據集（原理解析+代碼實踐）_嗶哩嗶哩_bilibilihttps://www.bilibili.com/video/BV1KHp2eREFZ/?spm_id_from=333.1387.favlist.content.click提供一份我訓練時的代碼：

import torchfrom ultralytics import YOLOdef train_yolov8():# 設置訓練參數data = "F:/deeplearning/fire/Fire Detection.v1i.yolov8/data.yaml"//yaml文件model = "F:/deeplearning/ultralytics-main/mode/yolov8n.pt"//借助的模型epochs = 300//訓練的輪數imgsz = 640/圖像大小project = "F:\\deeplearning\\ultralytics-main\\runs"//訓練的結果應該保存在哪個位置workers = 2//算力的調用# 實例化YOLO模型yolo_model = YOLO(model)# 使用train()方法開始訓練results = yolo_model.train(data=data,epochs=epochs,imgsz=imgsz,project=project,workers=workers,device = torch.device('cuda' if torch.cuda.is_available() else 'cpu'),#device = ('cpu'),batch = 2)# 打印訓練結果print(results)if __name__ == "__main__":train_yolov8()#print(torch.cuda.is_available())

與nano相互交換文件：

可以使用WinSCP該軟件
可以在網盤里下載：
鏈接: https://pan.baidu.com/s/1tm7xodM1spyv3nTPKtZhRw?pwd=mi27 提取碼: mi27?
--來自百度網盤超級會員v4的分享

燒錄鏡像的APP：

可以使用balenaEtcher軟件
通過網盤分享的文件：balenaEtcher-Setup-1.18.4.exe
鏈接: https://pan.baidu.com/s/1rC2IK7Z6jnbP5yge_D8DBw?pwd=cv3h 提取碼: cv3h?
--來自百度網盤超級會員v4的分享

格式化的APP：

可以使用SD Card Formatter軟件
通過網盤分享的文件：SD Card Formatter.exe
鏈接: https://pan.baidu.com/s/1dMbzS7yjeQrDrBD9dHSQrg?pwd=5wf8 提取碼: 5wf8?
--來自百度網盤超級會員v4的分享

（格式化時選擇Overwrite format，慢速格式化，防止損壞內存卡）

nano板子：

上面所述的板子是國產SUB的板子（JETSON NANO B01）?

該板子不可以進行sudo apt update && sudo apt upgrade -y軟件包更新操作，切記！切記！切記！！！（用該板子時配置環境時，跳過軟件包更新這一步驟即可）

該板子的學習網站

JETSON NANO B01https://www.yahboom.com/study/jetson-nanoJetson nano A01/B01https://www.yuque.com/yahboomtechnology/yahboom_support/kgdd5m#UCREB該板子燒錄的是人家的鏡像（不可以燒錄官方鏡像），已經給提供了眾多環境，所以有很大的學習空間，更深的開發就交給你們了

鏡像鏈接：
通過網盤分享的文件：TF卡使用鏡像（載板卡槽）
鏈接: https://pan.baidu.com/s/1iTD-OdpcKibm2eAB4FfUkA?pwd=vbdc 提取碼: vbdc?
--來自百度網盤超級會員v4的分享

另一種是英偉達官方板子按照之前給的教程即可玩轉Jetson Nano（一）開機準備與遠程連接設置_ubuntu裝jtop命令-CSDN博客https://blog.csdn.net/iracer/article/details/104453423?spm=1001.2014.3001.5506