垃圾分类--环境配置

写在前面：

如果你们打这届比赛时，还有我们所保留的内存卡，那么插上即可运行（因为内存卡里我们已经配置好所有的环境）

本文提供两种环境的配置

一种是基于yolov8：YOLOv8 - Ultralytics YOLO Docshttps://docs.ultralytics.com/models/yolov8/（这是官网，进不去的话，需要科学上网）

另一种是基于飞浆：飞桨AI Studio星河社区-人工智能学习与实训社区https://aistudio.baidu.com/overview

jetson nano教程：重点是烧录镜像、换源、更改输入设置。
Jetson Nano 从入门到实战（案例：Opencv配置、人脸检测、二维码检测）_jetson nano 从入门到实战(案例:opencv配置、人脸检测、二维码检测)-CSDN博客https://blog.csdn.net/qianbin3200896/article/details/103760640?spm=1001.2014.3001.5506

一

环境配置

我们所使用的时第二种，所以先说第二种，可以按照之前学长所给出的教程进行配置：jetson nano部署paddle Inference环境全过程_jetson paddle-CSDN博客https://blog.csdn.net/pdsrzbypdbyz/article/details/144172807?spm=1001.2014.3001.5506

按照上述环境配置好之后，将garbageCan该文件夹拖到nano上，运行代码即可

cd garbageCan/code
python3.7 test_tt.py

通过网盘分享的文件：garbageCan
链接: https://pan.baidu.com/s/1yZ733DwlhyQ8h4zVlJCwOA?pwd=g824 提取码: g824 

如果你们用的是SUB国产板子（后面会讲），需要先创建虚拟环境，然后在虚拟环境里进行配置，否则会与系统环境产生冲突。在虚拟环境里配置好飞浆的环境之后运行如下代码：

conda activate garbage #先激活虚拟环境，虚拟环境的名字根据你们的所创建的来
cd garbageCan/code
sudo python3.7 test_tt.py
输入密码即可运行（密码：yahboom）

上述的test_tt.py是最终的代码 需要接入摄像头（我们用的是USB）、超声波、stm32等等
test_tt.py代码的逻辑如下：

 

如果有报错，可以粘贴给AI，根据AI的提示来解决报错问题（报错的种类很多，在这里不能一一赘述）

若想查看摄像头的位置可以运行如下代码：

cd garbageCan/code
python3.7 test_8000.py

如下图所示：

比赛时不会让你用键盘执行上述代码，需要写一个开机自启动脚本（只需上电后即可自动运行上述代码）。
可以根据如下教程来：Jetson nano开机自启动python程序_jetson nano设置开机启动c++he python程序-CSDN博客https://blog.csdn.net/BluErroR/article/details/121640814?spm=1001.2014.3001.5506
Jetson nano开机自启动程序-CSDN博客https://blog.csdn.net/qq_40672115/article/details/128140321?spm=1001.2014.3001.5506

如果执行不成功，可以加上sudo（以最高权限进行执行）
如：sudo gnome-session-properties

模型的训练：

 

上述就是第二种环境的所有操作。

二、

再说第一种，因为第一种未能在省赛之前跑出来，所以没有完整的垃圾分类代码，在这里我只演示如何配置环境以及运行

我们在进行环境配置之前，推荐先创建一个虚拟环境，虚拟环境与系统环境相隔开，能减少不必要的麻烦

创建虚拟环境

一、先下载miniconda

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

二 安装Conda

bash Miniconda3-latest-Linux-x86_64.sh

三、初始化&&创建并激活环境

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

 激活环境之后（上述所激活的环境为yolo_v8）接着进行如下操作：

一、更新系统
 

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

二、安装pytorch

pytorch是深度学习的框架，提供了众多的yolo所需的依赖以及GPU的加速支持

1.需要安装对应版本的pytorch，用如下代码来查看自己的jetPack版本
 

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

2.安装对应版本PyTorch 

①、适用于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、适用于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

我们应该是第①个，因为cuda版本是10.2
我在下载pytorch时，老是遇到网络的问题，可以将nano连接自己的热点（注意将自己热点的AP频段设置为2.4GHz）

三、安装yolov8依赖

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

创建好虚拟并配置好环境之后，先激活虚拟环境并进行如下操作：
 

python3 #先激活python环境，python激活的是python2环境，我们python的版本为3.8所以要python3
from ultralytics import YOLO
model = YOLO("yolov8n.pt")  # 会自动下载模型
results = model.predict('https://ultralytics.com/images/bus.jpg', save=True)

接下来就会有推理的结果

上面配置环境时会有各种各样的问题，同样的可以将报错粘贴给AI，根据AI的提示进行解决报错，切记不要按部就班的粘贴AI所给的代码。

模型的训练：

nano的性能肯定是不足以训练模型，所以还是要在本地进行训练。可参考下面的教程：
重点参考：如何标注自己的数据集？如何配置环境？如何训练模型？
使用YOLOv8训练自己的数据集（原理解析+数据标注说明+训练教程+图形化系统开发）_yolov8 训练自己的数据集-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【大作业-18】手把手教你用YOLOv8训练自己的数据集（原理解析+代码实践）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1KHp2eREFZ/?spm_id_from=333.1387.favlist.content.click提供一份我训练时的代码：

import torchfrom ultralytics import YOLOdef train_yolov8():# 设置训练参数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//训练的轮数imgsz = 640/图像大小project = "F:\\deeplearning\\ultralytics-main\\runs"//训练的结果应该保存在哪个位置workers = 2//算力的调用# 实例化YOLO模型yolo_model = YOLO(model)# 使用train()方法开始训练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)# 打印训练结果print(results)if __name__ == "__main__":train_yolov8()#print(torch.cuda.is_available())

与nano相互交换文件：

可以使用WinSCP该软件
可以在网盘里下载：
链接: https://pan.baidu.com/s/1tm7xodM1spyv3nTPKtZhRw?pwd=mi27 提取码: mi27 
--来自百度网盘超级会员v4的分享

烧录镜像的APP：

可以使用balenaEtcher软件
通过网盘分享的文件：balenaEtcher-Setup-1.18.4.exe
链接: https://pan.baidu.com/s/1rC2IK7Z6jnbP5yge_D8DBw?pwd=cv3h 提取码: cv3h 
--来自百度网盘超级会员v4的分享

格式化的APP：

可以使用SD Card Formatter软件
通过网盘分享的文件：SD Card Formatter.exe
链接: https://pan.baidu.com/s/1dMbzS7yjeQrDrBD9dHSQrg?pwd=5wf8 提取码: 5wf8 
--来自百度网盘超级会员v4的分享

（格式化时选择Overwrite format，慢速格式化，防止损坏内存卡）

nano板子：

 

上面所述的板子是国产SUB的板子（JETSON NANO B01） 

该板子不可以进行sudo apt update && sudo apt upgrade -y软件包更新操作，切记！切记！切记！！！（用该板子时配置环境时，跳过软件包更新这一步骤即可）

该板子的学习网站

JETSON NANO B01https://www.yahboom.com/study/jetson-nanoJetson nano A01/B01https://www.yuque.com/yahboomtechnology/yahboom_support/kgdd5m#UCREB该板子烧录的是人家的镜像（不可以烧录官方镜像），已经给提供了众多环境，所以有很大的学习空间，更深的开发就交给你们了

镜像链接：
通过网盘分享的文件：TF卡使用镜像（载板卡槽）
链接: https://pan.baidu.com/s/1iTD-OdpcKibm2eAB4FfUkA?pwd=vbdc 提取码: vbdc 
--来自百度网盘超级会员v4的分享

另一种是英伟达官方板子按照之前给的教程即可玩转Jetson Nano（一） 开机准备与远程连接设置_ubuntu装jtop命令-CSDN博客https://blog.csdn.net/iracer/article/details/104453423?spm=1001.2014.3001.5506