告别云端：用树莓派和YOLOv5-Lite打造离线版‘智能看门狗’（附完整配置清单）-平芜编程栈

树莓派上的边缘智能革命：YOLOv5-Lite本地化监控实战指南

在物联网与边缘计算蓬勃发展的今天，越来越多的开发者开始寻求将AI能力下沉到终端设备的解决方案。树莓派凭借其低廉的价格、丰富的扩展接口和适中的算力，成为了边缘AI应用的理想平台。本文将带您深入探索如何利用树莓派和YOLOv5-Lite模型构建一个完全离线的智能监控系统，实现从硬件准备到模型部署再到功能扩展的全流程实战。

1. 为什么选择树莓派+YOLOv5-Lite组合？

边缘计算设备的选择需要考虑功耗、成本和性能的平衡。树莓派4B虽然无法与高端GPU服务器相比，但其4核Cortex-A72处理器和最高8GB内存的配置，足以运行经过优化的轻量级AI模型。

YOLOv5-Lite是YOLOv5系列的精简版本，专为边缘设备设计。相比原版YOLOv5，它具有以下优势：

特性	YOLOv5n	YOLOv5-Lite-s	说明
参数量	1.9M	1.7M	更少的参数意味着更小的内存占用
模型大小	3.8MB	3.4MB	适合树莓派有限的存储空间
mAP@0.5	28.0	27.2	精度略有下降但仍在可用范围
推理速度	2.3ms	1.8ms	在树莓派上帧率提升明显

在实际测试中，YOLOv5-Lite-s在树莓派4B上可以达到8-10FPS的推理速度，完全满足实时监控的基本需求。如果对帧率要求更高，还可以选择更小的YOLOv5-Lite-e版本，牺牲少量精度换取更快的响应速度。

2. 硬件准备与系统配置

2.1 所需硬件清单

构建一个完整的智能监控系统需要以下硬件组件：

树莓派4B开发板（推荐4GB或8GB内存版本）
官方摄像头模块或兼容的USB摄像头
32GB以上的高速MicroSD卡（建议选择A1/A2等级）
5V/3A电源适配器
散热外壳与风扇（持续推理会产生一定热量）
可选配件：蜂鸣器、LED指示灯、PIR传感器等用于报警功能

2.2 系统安装与基础配置

使用Raspberry Pi Imager工具安装64位Raspberry Pi OS Lite系统是最佳选择，因为：

64位系统能更好地利用树莓派4B的ARMv8架构
Lite版本没有图形界面，节省系统资源
官方工具自动完成分区和引导设置

安装完成后，通过SSH连接树莓派并进行基础配置：

# 更新系统 sudo apt update && sudo apt upgrade -y # 安装必要工具 sudo apt install -y python3-pip git vim # 启用摄像头接口 sudo raspi-config nonint do_camera 0 # 设置GPU内存分配（建议128MB） sudo raspi-config nonint do_memory_split 128 # 重启生效 sudo reboot

提示：首次使用建议通过raspi-config工具设置时区、键盘布局等基础参数，并确保启用SSH服务以便远程管理。

3. YOLOv5-Lite环境部署全流程

3.1 获取模型与源代码

YOLOv5-Lite的官方实现托管在GitHub上，我们可以直接克隆仓库并下载预训练权重：

# 克隆仓库 git clone https://github.com/ppogg/YOLOv5-Lite.git cd YOLOv5-Lite # 创建权重目录并下载模型 mkdir -p weights wget -P weights https://github.com/ppogg/YOLOv5-Lite/releases/download/v1.0/v5lite-s.pt

3.2 Python环境配置

建议使用venv创建独立的Python环境以避免依赖冲突：

# 创建虚拟环境 python3 -m venv yolov5-env source yolov5-env/bin/activate # 安装基础依赖 pip install torch==1.12.0 torchvision==0.13.0 --extra-index-url https://download.pytorch.org/whl/cpu # 安装项目依赖 pip install -r requirements.txt

针对树莓派的特殊优化：

使用清华源加速下载：在pip install命令后添加-i https://pypi.tuna.tsinghua.edu.cn/simple
安装OpenCV时选择不含GUI的版本：pip install opencv-python-headless
对于NumPy等科学计算库，可以使用pip install numpy --prefer-binary避免长时间编译

3.3 模型测试与性能调优

基础测试命令：

python detect.py --weights weights/v5lite-s.pt --source 0 # 使用摄像头

性能优化技巧：

分辨率调整：通过--imgsz 320参数降低输入分辨率，显著提升帧率
半精度推理：添加--half参数启用FP16推理，速度提升约20%
线程控制：设置OMP_NUM_THREADS=4环境变量充分利用CPU核心
温度管理：监控CPU温度，必要时限制频率避免降频

# 优化后的运行命令 OMP_NUM_THREADS=4 python detect.py --weights weights/v5lite-s.pt --source 0 --imgsz 320 --half

4. 从检测到应用：打造完整监控系统

4.1 基础报警功能实现

利用树莓派的GPIO接口，我们可以轻松添加物理报警功能。以下示例代码展示了如何检测到人时触发蜂鸣器：

import RPi.GPIO as GPIO import time # GPIO设置 BUZZER_PIN = 17 GPIO.setmode(GPIO.BCM) GPIO.setup(BUZZER_PIN, GPIO.OUT) def trigger_alarm(): for _ in range(3): # 响3次 GPIO.output(BUZZER_PIN, GPIO.HIGH) time.sleep(0.5) GPIO.output(BUZZER_PIN, GPIO.LOW) time.sleep(0.5) # 在detect.py的适当位置调用 if results.pred[0].shape[0] > 0: # 检测到目标 trigger_alarm()

4.2 图像存储与时间戳

完善的监控系统需要记录检测事件。我们可以修改detect.py，在检测到目标时保存图像并添加时间戳：

from datetime import datetime def save_detection(img): timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") filename = f"detections/detection_{timestamp}.jpg" cv2.imwrite(filename, img)

4.3 多场景功能扩展

基于这个基础框架，可以进一步开发更多实用功能：

区域入侵检测：只对特定区域内的目标发出警报
目标分类过滤：只关注人、车辆等特定类别
移动侦测结合：使用OpenCV的背景减除算法减少误报
远程通知：通过邮件或消息API发送警报图片
低功耗模式：使用PIR传感器触发系统唤醒

5. 性能优化进阶技巧

5.1 模型量化与加速

要进一步优化性能，可以考虑以下方法：

ONNX转换：将PyTorch模型转为ONNX格式，使用ONNX Runtime推理
```
python export.py --weights weights/v5lite-s.pt --include onnx
```
TensorRT加速：在支持TensorRT的环境中可获得显著性能提升
模型剪枝：移除冗余通道，减小模型尺寸

5.2 系统级优化

CPU调频策略：设置为performance模式确保全速运行

echo performance | sudo tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor

内存优化：使用sudo swapoff -a禁用交换分区，避免频繁IO
进程优先级：使用nice命令提高Python进程优先级
```
nice -n -10 python detect.py ...
```

5.3 长期运行稳定性

为确保系统长期稳定运行，需要注意：

定期清理存储空间，避免日志和图片占满SD卡
设置看门狗定时器，在程序崩溃时自动重启
监控系统温度，必要时主动降频保护硬件
使用screen或tmux保持会话，避免SSH断开导致程序终止

在实际部署中，我发现将检测帧率控制在5-8FPS是最佳平衡点，既能满足实时性要求，又不会导致树莓派过热。同时，为SD卡配备UPS供电可以有效防止意外断电导致的数据损坏。

告别云端：用树莓派和YOLOv5-Lite打造离线版‘智能看门狗’（附完整配置清单）