[Raspberry Pi]如何在Ubuntu的python venv虛擬環境中，運行YOLOv5 物件辨識功能?
[YOLOv5 I Raspberry pi 4B]Object Detection test with Image and Video by yolov5s.
延續<[Python]如何在Ubuntu中建置python venv虛擬環境，並安裝TensorFlow和OpenCV函式庫?>文章，當建置 TensorFlow (2.10.0) 和 OpenCV (4.9.0) 的 Python 虛擬環境後，接續進一步安裝 YOLOv5 的相關套件，並在 Raspberry Pi 4B 上完成物件辨識功能，步驟如下。
1. Update and upgrade
sudo apt update
sudo apt upgrade2.安裝YOLO視覺相關安裝依賴包
sudo apt install build-essential cmake pkg-config
sudo apt install libjpeg-dev libtiff5-dev libpng-dev
sudo apt install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt install libxvidcore-dev libx264-dev
sudo apt install libgtk-3-dev sudo apt install libatlas-base-dev gfortran
sudo apt install python3-dev安裝依賴包的說明如下:
- build-essential: 包含了一些用於編譯 C/C++ 軟體包的基本工具（如 gcc, g++, make）。
- cmake: 一個跨平台的編譯器，能自動產生用於建置、測試和打包軟體的腳本。
- pkg-config: 一個用來管理編譯時所需的函式庫路徑的工具。
- libjpeg-dev: 支援 JPEG 影像格式的開發庫。
- libtiff5-dev: 支援 TIFF 影像格式的開發庫。
- libjasper-dev: 支援 JPEG-2000 影像格式的開發庫。
- libpng-dev: 支援 PNG 映像格式的開發庫。
- libavcodec-dev: 包含音視頻編解碼庫，來自 FFmpeg。
- libavformat-dev: 支援不同格式的音視頻容器檔案。
- libswscale-dev: 用於視訊縮放和格式轉換。
- libv4l-dev: 視訊擷取庫，用於支援攝影機等視訊裝置。
- libxvidcore-dev: Xvid 影片編解碼庫的開發庫。
- libx264-dev: H.264/MPEG-4 AVC 視訊編碼庫的開發庫。
- libgtk-3-dev: GTK+ 3 圖形使用者介面庫的開發文件，用於影像介面的顯示。
- libatlas-base-dev: 用於線性代數運算的 ATLAS 函式庫。
- gfortran: GNU Fortran 編譯器，用於科學計算函式庫的編譯。
- python3-dev: Python 開發頭檔和函式庫，用於編譯需要與 Python 進行介面的 C 擴充模組。
- cmake: 一個跨平台的編譯器，能自動產生用於建置、測試和打包軟體的腳本。
- pkg-config: 一個用來管理編譯時所需的函式庫路徑的工具。
- libjpeg-dev: 支援 JPEG 影像格式的開發庫。
- libtiff5-dev: 支援 TIFF 影像格式的開發庫。
- libjasper-dev: 支援 JPEG-2000 影像格式的開發庫。
- libpng-dev: 支援 PNG 映像格式的開發庫。
- libavcodec-dev: 包含音視頻編解碼庫，來自 FFmpeg。
- libavformat-dev: 支援不同格式的音視頻容器檔案。
- libswscale-dev: 用於視訊縮放和格式轉換。
- libv4l-dev: 視訊擷取庫，用於支援攝影機等視訊裝置。
- libxvidcore-dev: Xvid 影片編解碼庫的開發庫。
- libx264-dev: H.264/MPEG-4 AVC 視訊編碼庫的開發庫。
- libgtk-3-dev: GTK+ 3 圖形使用者介面庫的開發文件，用於影像介面的顯示。
- libatlas-base-dev: 用於線性代數運算的 ATLAS 函式庫。
- gfortran: GNU Fortran 編譯器，用於科學計算函式庫的編譯。
- python3-dev: Python 開發頭檔和函式庫，用於編譯需要與 Python 進行介面的 C 擴充模組。
3.安裝PyTorch和YOLOv5
利用source指令進入已建立的python 虛擬環境(以本文為例，即為tensorflow_env)，並在該虛擬環境中安裝PyTorch和YOLOv5，如此一來，可運行YOLOv5的獨立虛擬環境就被建立完成了。
source tensorflow_env/bin/activate
#Install PyTorch and other necessary Python packages
pip install torch torchvision
# Clone the YOLOv5 repository and install requirements
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt4.驗證是否安裝成功
利用USB攝像頭做為影像輸入源(source 0)，並選擇yolov5s.pt模型來運行detect.py，若有出現上述視頻的辨識影像效果，即是完成安裝。
python detect.py --source 0 --weights yolov5s.pt這僅是建置YOLOv5環境的方式之一，同時其尚有不同模型可做測試，包含yolov5s.pt, yolov5m.pt, yolov5l.pt，另外，還可進一步訓練客製化數據，完成屬於客製化的場景應用。若有需求，可自行參考 YOLOv5手冊。