OrangePi AIpro 香橙派 测评体验——YOLOv5水果识别项目_orange pi 5 pro ai

目录

概述

硬件

项目介绍

环境安装

结果

项目源码

个人感受

---

实物图:

高度集成CPU、AI计算、ISP、图形输出等功能，具有20TOPS AI算力，可以有效实现目标识别、图像分类等AI应用加速，可快速提升开发效率，降低开发成本。

可配24GB运行内存，各种复杂应用都能流畅运行。

概述

OrangePi AIpro（20T）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20TOPS AI算力，拥有12GB/24GB LPDDR4X，可以外接32GB/64GB/256GB eMMC模块，支持双4K高清输出。

OrangePi AIpro（20T）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、2.5G高速网口、三个USB3.0、一个USB Type-C 3.0、一个Type-C（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。

OrangePi 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

发板搭载的是一颗64位4核CPU，具体型号不详
 

昇腾芯片 NPU 卡的信息，Device为310B4，芯片温度为50度
 

开发板使用32G内存卡作为硬盘

8G内存

时间有点紧,整理后会将源码发布

项目介绍

本文主要是介绍在OrangePi AIpro 香橙派中如何使用YOLOv5,只介绍如何使用,数据收集和标注,模型训练,模型优化在之前文章已经做过了就不再介绍.由于昨天弄的比较匆忙,忘记了把如何配置网络等步骤记录下来,下面就给大家展示一下简单的步骤,后期有时间再去格式化重新截图.香橙派的效果是非常令我震惊的.完全超乎我的想象...

基于YOLO系列算法的水果识别系统在实时目标检测领域展现了卓越的性能。YOLOv5、YOLOv6、YOLOv7和YOLOv8作为该系列的最新版本，通过不断优化网络结构和训练策略，显著提升了目标检测的精度和效率。本文旨在研究和实现一个基于YOLO系列算法的水果识别系统，以提高水果识别的准确性和实时性。本文详述了国内外研究现状、数据集处理、算法原理、模型构建与训练代码等，基于这些先进的YOLO算法，设计并实现了一个水果识别系统，能够在各种硬件平台上高效运行。系统通过摄像头实时捕捉水果图像，并利用YOLO模型进行目标检测和分类。实验结果表明，该系统在识别精度和推理速度方面均表现出色，能够满足实际应用中的需求。

实现步骤：

• 数据收集和标注：收集大量水果图像并进行手动或自动标注。
• 模型训练：使用YOLOv5的预训练模型或自定义数据集进行模型训练，以学习水果的特征和边界框。
• 模型优化：通过调整训练策略、数据增强和超参数优化，提升模型的准确率和泛化能力。
• 部署和测试：将训练好的模型部署到目标环境中，评估其在实际场景中的性能和效果。

本文主要是介绍在OrangePi AIpro 香橙派中如何使用YOLOv5,只介绍如何使用,数据收集和标注,模型训练,模型优化在之前文章已经做过了就不再介绍

环境安装

# YOLOv5 requirements
# Usage: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.1
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch==1.9.1
torchvision==0.10.1
pyqt5==5.15.6
tqdm>=4.64.0
# protobuf<=3.20.1  # https://github.com/ultralytics/yolov5/issues/8012

# Logging -------------------------------------
tensorboard>=2.4.1
# wandb
# clearml

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=5.2  # CoreML export
# onnx>=1.9.0  # ONNX export
# onnx-simplifier>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TFLite export (or tensorflow-cpu, tensorflow-aarch64)
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev  # OpenVINO export

# Extras --------------------------------------
ipython  # interactive notebook
psutil  # system utilization
thop>=0.1.1  # FLOPs computation
# albumentations>=1.0.3
# pycocotools>=2.0  # COCO mAP
# roboflow

直接在终端安装requirements.txt 中所需的环境.

但是其中有的环境出现报错,需要单独安装!!!

# torch_npu由于需要源码编译,速度可能较慢,本样例提供 python3.9,torch2.1版本的torch_npu whl包
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/wanzutao/torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl

# 使用pip命令安装
pip3 install torch_npu-2.1.0rc1-cp39-cp39-linux_aarch64.whl

因为第一次接触,有些东西不会操作.后续操作都在JupterLab中进行.

将程序下载后并解压.

unrar x  YOLOv5水果检测.rar

在JupterLab中打开

可以直接run main.py,或者可以像我一样将代码复制到.ipynb文件里运行.

结果

运行之后结果

香橙派AIpro展示出了强大的算力，能够以0.01秒的速度完成YOLOv5水果识别项目，这确实显示了其在处理复杂计算任务上的优秀性能。这种快速的识别速度反映了其高效的处理能力和优秀的硬件性能，使其能够在实时应用和大规模数据处理中发挥重要作用。

我的台式机4060ti跑这个项目视频每一帧的速度大约是0.005s,香橙派作为一个千元的机子,已经很优秀了.我完全没有想到会有这么强.

项目源码

# -*- coding: UTF-8 -*-
 
import random
import sys
import threading
import time
 
import cv2
import numpy
import torch
import torch.backends.cudnn as cudnn
from PyQt5.QtCore import *
from PyQt5.QtGui import *
from PyQt5.QtWidgets import *
 
from models.experimental import attempt_load
from utils.datasets import LoadImages, LoadStreams
from utils.general import check_img_size, non_max_suppression, scale_coords
from utils.plots import plot_one_box
from utils.torch_utils import select_device, time_synchronized
 
model_path = 'runs/train/yolov5s/weights/best.pt'
 
# 添加一个关于界面
# 窗口主类
class MainWindow(QTabWidget):
	# 基本配置不动，然后只动第三个界面
	def __init__(self):
		# 初始化界面
		super().__init__()
		self.setWindowTitle('Yolov5检测系统')
		self.resize(1200, 800)
		self.setWindowIcon(QIcon("./UI/xf.jpg"))
		# 图片读取进程
		self.output_size = 480
		self.img2predict = ""
		# 空字符串会自己进行选择，首选cuda
		self.device = ''
		# # 初始化视频读取线程
		self.vid_source = '0'  # 初始设置为摄像头
		# 检测视频的线程
		self.threading = None
		# 是否跳出当前循环的线程
		self.jump_threading: bool = False
 
		self.image_size = 640
		self.confidence = 0.25
		self.iou_threshold = 0.45
		# 指明模型加载的位置的设备
		self.model = self.model_load(weights=model_path,
		                             device=self.device)
		self.initUI()
		self.reset_vid()
 
	@torch.no_grad()
	def model_load(self,
	               weights="",  # model.pt path(s)
	               device='',  # cuda device, i.e. 0 or 0,1,2,3 or cpu
	               ):
		"""
		模型初始化
		"""
		device = self.device = select_device(device)
		half = device.type != 'cpu'  # half precision only supported on CUDA
 
		# Load model
		model = attempt_load(weights, device)  # load FP32 model
		self.stride = int(model.stride.max())  # model stride
		self.image_size = check_img_size(self.image_size, s=self.stride)  # check img_size
		if half:
			model.half()  # to FP16
		# Run inference
		if device.type != 'cpu':
			print("Run inference")
			model(torch.zeros(1, 3, self.image_size, self.image_size).to(device).type_as(
				next(model.parameters())))  # run once
		print("模型加载完成!")
		return model
 
	def reset_vid(self):
		"""
		界面重置事件
		"""
		self.webcam_detection_btn.setEnabled(True)
		self.mp4_detection_btn.setEnabled(True)
		self.left_vid_img.setPixmap(QPixmap("./UI/up.jpeg"))
		self.vid_source = '0'
		self.disable_btn(self.det_img_button)
		self.disable_btn(self.vid_start_stop_btn)
		self.jump_threading = False
 
	def initUI(self):
		"""
		界面初始化
		"""
		# 图片检测子界面
		font_title = QFont('楷体', 16)
		font_main = QFont('楷体', 14)
		font_general = QFont('楷体', 10)
		# 图片识别界面, 两个按钮，上传图片和显示结果
		img_detection_widget = QWidget()
		img_detection_layout = QVBoxLayout()
		img_detection_title = QLabel("图片识别功能")
		img_detection_title.setFont(font_title)
		mid_img_widget = QWidget()
		mid_img_layout = QHBoxLayout()
		self.left_img = QLabel()
		self.right_img = QLabel()
		self.left_img.setPixmap(QPixmap("./UI/up.jpeg"))
		self.right_img.setPixmap(QPixmap("./UI/right.jpeg"))
		self.left_img.setAlignment(Qt.AlignCenter)
		self.right_img.setAlignment(Qt.AlignCenter)
		self.left_img.setMinimumSize(480, 480)
		self.left_img.setStyleSheet("QLabel{background-color: #f6f8fa;}")
		mid_img_layout.addWidget(self.left_img)
		self.right_img.setMinimumSize(480, 480)
		self.right_img.setStyleSheet("QLabel{background-color: #f6f8fa;}")
		mid_img_layout.addStretch(0)
		mid_img_layout.addWidget(self.right_img)
		mid_img_widget.setLayout(mid_img_layout)
		self.up_img_button = QPushButton("上传图片")
		self.det_img_button = QPushButton("开始检测")
		self.up_img_button.clicked.connect(self.upload_img)
		self.det_img_button.clicked.connect(self.detect_img)
		self.up_img_button.setFont(font_main)
		self.det_img_button.setFont(font_main)
		self.up_img_button.setStyleSheet("QPushButton{color:white}"
		                                 "QPushButton:hover{background-color: rgb(2,110,180);}"
		                                 "QPushButton{background-color:rgb(48,124,208)}"
		                                 "QPushButton{border:2px}"
		                                 "QPushButton{border-radius:5px}"
		                                 "QPushButton{padding:5px 5px}"
		                                 "QPushButton{margin:5px 5px}")
		self.det_img_button.setStyleSheet("QPushButton{color:white}"
		                                  "QPushButton:hover{background-color: rgb(2,110,180);}"
		                                  "QPushButton{background-color:rgb(48,124,208)}"
		                                  "QPushButton{border:2px}"
		                                  "QPushButton{border-radius:5px}"
		                                  "QPushButton{padding:5px 5px}"
		                                  "QPushButton{margin:5px 5px}")
		img_detection_layout.addWidget(img_detection_title, alignment=Qt.AlignCenter)
		img_detection_layout.addWidget(mid_img_widget, alignment=Qt.AlignCenter)
		img_detection_layout.addWidget(self.up_img_button)
		img_detection_layout.addWidget(self.det_img_button)
		img_detection_widget.setLayout(img_detection_layout)
 
		# 视频识别界面
		# 视频识别界面的逻辑比较简单，基本就从上到下的逻辑
		vid_detection_widget = QWidget()
		vid_detection_layout = QVBoxLayout()
		vid_title = QLabel("视频检测功能")
		vid_title.setFont(font_title)
		self.left_vid_img = QLabel()
		self.right_vid_img = QLabel()
		self.left_vid_img.setPixmap(QPixmap("./UI/up.jpeg"))
		self.right_vid_img.setPixmap(QPixmap("./UI/right.jpeg"))
		self.left_vid_img.setAlignment(Qt.AlignCenter)
		self.left_vid_img.setMinimumSize(480, 480)
		self.left_vid_img.setStyleSheet("QLabel{background-color: #f6f8fa;}")
		self.right_vid_img.setAlignment(Qt.AlignCenter)
		self.right_vid_img.setMinimumSize(480, 480)
		self.right_vid_img.setStyleSheet("QLabel{background-color: #f6f8fa;}")
		mid_img_widget = QWidget()
		mid_img_layout = QHBoxLayout()
		mid_img_layout.addWidget(self.left_vid_img)
		mid_img_layout.addStretch(0)
		mid_img_layout.addWidget(self.right_vid_img)
		mid_img_widget.setLayout(mid_img_layout)
		self.webcam_detection_btn = QPushButton("摄像头实时监测")
		self.mp4_detection_btn = QPushButton("视频文件检测")
		self.vid_start_stop_btn = QPushButton("启动/停止检测")
		self.webcam_detection_btn.setFont(font_main)
		self.mp4_detection_btn.setFont(font_main)
		self.vid_start_stop_btn.setFont(font_main)
		self.webcam_detection_btn.setStyleSheet("QPushButton{color:white}"
		                                        "QPushButton:hover{background-color: rgb(2,110,180);}"
		                                        "QPushButton{background-color:rgb(48,124,208)}"
		                                        "QPushButton{border:2px}"
		                                        "QPushButton{border-radius:5px}"
		                                        "QPushButton{padding:5px 5px}"
		                                        "QPushButton{margin:5px 5px}")
		self.mp4_detection_btn.setStyleSheet("QPushButton{color:white}"
		                                     "QPushButton:hover{background-color: rgb(2,110,180);}"
		                                     "QPushButton{background-color:rgb(48,124,208)}"
		                                     "QPushButton{border:1px}"
		                                     "QPushButton{border-radius:5px}"
		                                     "QPushButton{padding:5px 5px}"
		                                     "QPushButton{margin:5px 5px}")
		self.vid_start_stop_btn.setStyleSheet("QPushButton{color:white}"
		                                      "QPushButton:hover{background-color: rgb(2,110,180);}"
		                                      "QPushButton{background-color:rgb(48,124,208)}"
		                                      "QPushButton{border:2px}"
		                                      "QPushButton{border-radius:5px}"
		                                      "QPushButton{padding:5px 5px}"
		                                      "QPushButton{margin:5px 5px}")
		self.webcam_detection_btn.clicked.connect(self.open_cam)
		self.mp4_detection_btn.clicked.connect(self.open_mp4)
		self.vid_start_stop_btn.clicked.connect(self.start_or_stop)
 
		# 添加fps显示
		fps_container = QWidget()
		fps_container.setStyleSheet("QWidget{background-color: #f6f8fa;}")
		fps_container_layout = QHBoxLayout()
		fps_container.setLayout(fps_container_layout)
		# 左容器
		fps_left_container = QWidget()
		fps_left_container.setStyleSheet("QWidget{background-color: #f6f8fa;}")
		fps_left_container_layout = QHBoxLayout()
		fps_left_container.setLayout(fps_left_container_layout)
 
		# 右容器
		fps_right_container = QWidget()
		fps_right_container.setStyleSheet("QWidget{background-color: #f6f8fa;}")
		fps_right_container_layout = QHBoxLayout()
		fps_right_container.setLayout(fps_right_container_layout)
 
		# 将左容器和右容器添加到fps_container_layout中
		fps_container_layout.addWidget(fps_left_container)
		fps_container_layout.addStretch(0)
		fps_container_layout.addWidget(fps_right_container)
 
		# 左容器中添加fps显示
		raw_fps_label = QLabel("原始帧率:")
		raw_fps_label.setFont(font_general)
		raw_fps_label.setAlignment(Qt.AlignLeft)
		raw_fps_label.setStyleSheet("QLabel{margin-left:80px}")
		self.raw_fps_value = QLabel("0")
		self.raw_fps_value.setFont(font_general)
		self.raw_fps_value.setAlignment(Qt.AlignLeft)
		fps_left_container_layout.addWidget(raw_fps_label)
		fps_left_container_layout.addWidget(self.raw_fps_value)
 
		# 右容器中添加fps显示
		detect_fps_label = QLabel("检测帧率:")
		detect_fps_label.setFont(font_general)
		detect_fps_label.setAlignment(Qt.AlignRight)
		self.detect_fps_value = QLabel("0")
		self.detect_fps_value.setFont(font_general)
		self.detect_fps_value.setAlignment(Qt.AlignRight)
		self.detect_fps_value.setStyleSheet("QLabel{margin-right:96px}")
		fps_right_container_layout.addWidget(detect_fps_label)
		fps_right_container_layout.addWidget(self.detect_fps_value)
 
		# 添加组件到布局上
		vid_detection_layout.addWidget(vid_title, alignment=Qt.AlignCenter)
		vid_detection_layout.addWidget(fps_container)
		vid_detection_layout.addWidget(mid_img_widget, alignment=Qt.AlignCenter)
		vid_detection_layout.addWidget(self.webcam_detection_btn)
		vid_detection_layout.addWidget(self.mp4_detection_btn)
		vid_detection_layout.addWidget(self.vid_start_stop_btn)
		vid_detection_widget.setLayout(vid_detection_layout)
 
		# 关于界面
		about_widget = QWidget()
		about_layout = QVBoxLayout()
		about_title = QLabel('欢迎使用目标检测系统\n')  # 修改欢迎词语
		about_title.setFont(QFont('楷体', 18))
		about_title.setAlignment(Qt.AlignCenter)
		about_img = QLabel()
		about_img.setPixmap(QPixmap('./UI/qq.png'))
		about_img.setAlignment(Qt.AlignCenter)
 
		# label4.setText("<a href='https://oi.wiki/wiki/学习率的调整'>如何调整学习率</a>")
		label_super = QLabel()  # 更换作者信息
		label_super.setText("")
		label_super.setFont(QFont('楷体', 16))
		label_super.setOpenExternalLinks(True)
		# label_super.setOpenExternalLinks(True)
		label_super.setAlignment(Qt.AlignRight)
		about_layout.addWidget(about_title)
		about_layout.addStretch()
		about_layout.addWidget(about_img)
		about_layout.addStretch()
		about_layout.addWidget(label_super)
		about_widget.setLayout(about_layout)
 
		self.addTab(img_detection_widget, '图片检测')
		self.addTab(vid_detection_widget, '视频检测')
		# self.addTab(about_widget, '联系我')
		self.setTabIcon(0, QIcon('./UI/lufei.png'))
		self.setTabIcon(1, QIcon('./UI/lufei.png'))
 
	def disable_btn(self, pushButton: QPushButton):
		pushButton.setDisabled(True)
		pushButton.setStyleSheet("QPushButton{background-color: rgb(2,110,180);}")
 
	def enable_btn(self, pushButton: QPushButton):
		pushButton.setEnabled(True)
		pushButton.setStyleSheet(
			"QPushButton{background-color: rgb(48,124,208);}"
			"QPushButton{color:white}"
		)
 
	def detect(self, source: str, left_img: QLabel, right_img: QLabel):
		"""
		@param source: file/dir/URL/glob, 0 for webcam
		@param left_img: 将左侧QLabel对象传入，用于显示图片
		@param right_img: 将右侧QLabel对象传入，用于显示图片
		"""
		model = self.model
		img_size = [self.image_size, self.image_size]  # inference size (pixels)
		conf_threshold = self.confidence  # confidence threshold
		iou_threshold = self.iou_threshold  # NMS IOU threshold
		device = self.device  # cuda device, i.e. 0 or 0,1,2,3 or cpu
		classes = None # filter by class: --class 0, or --class 0 2 3
		agnostic_nms = False  # class-agnostic NMS
		augment = False  # augmented inference
 
		half = device.type != 'cpu'  # half precision only supported on CUDA
 
		if source == "":
			self.disable_btn(self.det_img_button)
			QMessageBox.warning(self, "请上传", "请先上传视频或图片再进行检测")
		else:
			source = str(source)
			webcam = source.isnumeric()
 
			# Set Dataloader
			if webcam:
				cudnn.benchmark = True  # set True to speed up constant image size inference
				dataset = LoadStreams(source, img_size=img_size, stride=self.stride)
			else:
				dataset = LoadImages(source, img_size=img_size, stride=self.stride)
			# Get names and colors
			names = model.module.names if hasattr(model, 'module') else model.names
			colors = [[random.randint(0, 255) for _ in range(3)] for _ in names]
 
			# 用来记录处理的图片数量
			count = 0
			# 计算帧率开始时间
			fps_start_time = time.time()
			for path, img, im0s, vid_cap in dataset:
				# 直接跳出for，结束线程
				if self.jump_threading:
					# 清除状态
					self.jump_threading = False
					break
				count += 1
				img = torch.from_numpy(img).to(device)
				img = img.half() if half else img.float()  # uint8 to fp16/32
				img /= 255.0  # 0 - 255 to 0.0 - 1.0
				if img.ndimension() == 3:
					img = img.unsqueeze(0)
 
				# Inference
				t1 = time_synchronized()
				pred = model(img, augment=augment)[0]
 
				# Apply NMS
				pred = non_max_suppression(pred, conf_threshold, iou_threshold, classes=classes, agnostic=agnostic_nms)
				t2 = time_synchronized()
 
				# Process detections
				for i, det in enumerate(pred):  # detections per image
					if webcam:  # batch_size >= 1
						s, im0 = 'detect : ', im0s[i].copy()
					else:
						s, im0 = 'detect : ', im0s.copy()
 
					# s += '%gx%g ' % img.shape[2:]  # print string
					if len(det):
						# Rescale boxes from img_size to im0 size
						det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
 
						# Print results
						for c in det[:, -1].unique():
							n = (det[:, -1] == c).sum()  # detections per class
							s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "  # add to string
 
						# Write results
						for *xyxy, conf, cls in reversed(det):
							label = f'{names[int(cls)]} {conf:.2f}'
							plot_one_box(xyxy, im0, label=label, color=colors[int(cls)], line_thickness=3)
 
					if webcam or vid_cap is not None:
						if webcam:  # batch_size >= 1
							img = im0s[i]
						else:
							img = im0s
						img = self.resize_img(img)
						img = QImage(img.data, img.shape[1], img.shape[0], img.shape[2] * img.shape[1],
						             QImage.Format_RGB888)
						left_img.setPixmap(QPixmap.fromImage(img))
						# 计算一次帧率
						if count % 10 == 0:
							fps = int(10 / (time.time() - fps_start_time))
							self.detect_fps_value.setText(str(fps))
							fps_start_time = time.time()
					# 应该调整一下图片的大小
					# 时间显示
					timenumber = time.strftime('%Y/%m/%d/-%H:%M:%S', time.localtime(time.time()))
					im0 = cv2.putText(im0, timenumber, (50, 50), cv2.FONT_HERSHEY_SIMPLEX,
									  1, (0, 255, 0), 2, cv2.LINE_AA)
					im0 = cv2.putText(im0, s, (50, 80), cv2.FONT_HERSHEY_SIMPLEX,
									  1, (255, 0, 0), 2, cv2.LINE_AA)
					img = self.resize_img(im0)
					img = QImage(img.data, img.shape[1], img.shape[0], img.shape[2] * img.shape[1],
					             QImage.Format_RGB888)
					right_img.setPixmap(QPixmap.fromImage(img))
 
					# Print time (inference + NMS)
					print(f'{s}Done. ({t2 - t1:.3f}s)')
 
			# 使用完摄像头释放资源
			if webcam:
				for cap in dataset.caps:
					cap.release()
			else:
				dataset.cap and dataset.cap.release()
 
	def resize_img(self, img):
		"""
		调整图片大小，方便用来显示
		@param img: 需要调整的图片
		"""
		resize_scale = min(self.output_size / img.shape[0], self.output_size / img.shape[1])
		img = cv2.resize(img, (0, 0), fx=resize_scale, fy=resize_scale)
		img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
		return img
 
	def upload_img(self):
		"""
		上传图片
		"""
		# 选择录像文件进行读取
		fileName, fileType = QFileDialog.getOpenFileName(self, 'Choose file', '', '*.jpg *.png *.tif *.jpeg')
		if fileName:
			self.img2predict = fileName
			# 将上传照片和进行检测做成互斥的
			self.enable_btn(self.det_img_button)
			self.disable_btn(self.up_img_button)
			# 进行左侧原图展示
			img = cv2.imread(fileName)
			# 应该调整一下图片的大小
			img = self.resize_img(img)
			img = QImage(img.data, img.shape[1], img.shape[0], img.shape[2] * img.shape[1], QImage.Format_RGB888)
			self.left_img.setPixmap(QPixmap.fromImage(img))
			# 上传图片之后右侧的图片重置
			self.right_img.setPixmap(QPixmap("./UI/right.jpeg"))
 
	def detect_img(self):
		"""
		检测图片
		"""
		# 重置跳出线程状态，防止其他位置使用的影响
		self.jump_threading = False
		self.detect(self.img2predict, self.left_img, self.right_img)
		# 将上传照片和进行检测做成互斥的
		self.enable_btn(self.up_img_button)
		self.disable_btn(self.det_img_button)
 
	def open_mp4(self):
		"""
		开启视频文件检测事件
		"""
		print("开启视频文件检测")
		fileName, fileType = QFileDialog.getOpenFileName(self, 'Choose file', '', '*.mp4 *.avi')
		if fileName:
			self.disable_btn(self.webcam_detection_btn)
			self.disable_btn(self.mp4_detection_btn)
			self.enable_btn(self.vid_start_stop_btn)
			# 生成读取视频对象
			cap = cv2.VideoCapture(fileName)
			# 获取视频的帧率
			fps = cap.get(cv2.CAP_PROP_FPS)
			# 显示原始视频帧率
			self.raw_fps_value.setText(str(fps))
			if cap.isOpened():
				# 读取一帧用来提前左侧展示
				ret, raw_img = cap.read()
				cap.release()
			else:
				QMessageBox.warning(self, "需要重新上传", "请重新选择视频文件")
				self.disable_btn(self.vid_start_stop_btn)
				self.enable_btn(self.webcam_detection_btn)
				self.enable_btn(self.mp4_detection_btn)
				return
			# 应该调整一下图片的大小
			img = self.resize_img(numpy.array(raw_img))
			img = QImage(img.data, img.shape[1], img.shape[0], img.shape[2] * img.shape[1], QImage.Format_RGB888)
			self.left_vid_img.setPixmap(QPixmap.fromImage(img))
			# 上传图片之后右侧的图片重置
			self.right_vid_img.setPixmap(QPixmap("./UI/right.jpeg"))
			self.vid_source = fileName
			self.jump_threading = False
 
	def open_cam(self):
		"""
		打开摄像头事件
		"""
		print("打开摄像头")
		self.disable_btn(self.webcam_detection_btn)
		self.disable_btn(self.mp4_detection_btn)
		self.enable_btn(self.vid_start_stop_btn)
		self.vid_source = "0"
		self.jump_threading = False
		# 生成读取视频对象
		cap = cv2.VideoCapture(0)
		# 获取视频的帧率
		fps = cap.get(cv2.CAP_PROP_FPS)
		# 显示原始视频帧率
		self.raw_fps_value.setText(str(fps))
		if cap.isOpened():
			# 读取一帧用来提前左侧展示
			ret, raw_img = cap.read()
			cap.release()
		else:
			QMessageBox.warning(self, "需要重新上传", "请重新选择视频文件")
			self.disable_btn(self.vid_start_stop_btn)
			self.enable_btn(self.webcam_detection_btn)
			self.enable_btn(self.mp4_detection_btn)
			return
		# 应该调整一下图片的大小
		img = self.resize_img(numpy.array(raw_img))
		img = QImage(img.data, img.shape[1], img.shape[0], img.shape[2] * img.shape[1], QImage.Format_RGB888)
		self.left_vid_img.setPixmap(QPixmap.fromImage(img))
		# 上传图片之后右侧的图片重置
		self.right_vid_img.setPixmap(QPixmap("./UI/right.jpeg"))
 
	def start_or_stop(self):
		"""
		启动或者停止事件
		"""
		print("启动或者停止")
		if self.threading is None:
			# 创造并启动一个检测视频线程
			self.jump_threading = False
			self.threading = threading.Thread(target=self.detect_vid)
			self.threading.start()
			self.disable_btn(self.webcam_detection_btn)
			self.disable_btn(self.mp4_detection_btn)
		else:
			# 停止当前线程
			# 线程属性置空，恢复状态
			self.threading = None
			self.jump_threading = True
			self.enable_btn(self.webcam_detection_btn)
			self.enable_btn(self.mp4_detection_btn)
 
	def detect_vid(self):
		"""
		视频检测
		视频和摄像头的主函数是一样的，不过是传入的source不同罢了
		"""
		print("视频开始检测")
		self.detect(self.vid_source, self.left_vid_img, self.right_vid_img)
		print("视频检测结束")
		# 执行完进程，刷新一下和进程有关的状态，只有self.threading是None，
		# 才能说明是正常结束的线程，需要被刷新状态
		if self.threading is not None:
			self.start_or_stop()
 
	def closeEvent(self, event):
		"""
		界面关闭事件
		"""
		reply = QMessageBox.question(
			self,
			'quit',
			"Are you sure?",
			QMessageBox.Yes | QMessageBox.No,
			QMessageBox.No
		)
		if reply == QMessageBox.Yes:
			self.jump_threading = True
			self.close()
			event.accept()
		else:
			event.ignore()
 
 
if __name__ == "__main__":
	app = QApplication(sys.argv)
	mainWindow = MainWindow()
	mainWindow.show()
	sys.exit(app.exec_())

个人感受

OrangePi AIpro开发板是一款卓越的AI边缘计算设备，它不仅推动了国内AI部署的进程，而且其强大的算力完全能够满足商业级产品的需求。在我使用了几天后的感受是，香橙派AIpro表现出色，特别是在AI算力方面。相比于众所周知的树莓派等Linux系列开发板，它最高可达16GB的LPDDR4X内存，性能优势明显。接口丰富多样，而且官方提供的散热器和风扇静音效果极佳，风力强劲，散热效果出色。风扇支持CPU智能控制转速，这在众多开发板中独具优势。

香橙派官方提供了详尽的开发资料，特别是用户手册的详细程度令人印象深刻，极大地提升了使用体验的顺畅度。在该款开发板的核心部件中，不乏国产芯片的身影，这预示着未来国内科技和产业的进一步发展，希望能实现新的飞跃，推动国产化事业迈上新的台阶。