企业官网建设流程全解析

做工业视觉这些年，我一直是 x86 平台的忠实用户。工控机、迷你主机、二手工作站，都试了个遍，直到前阵子接了一个车间改造的小项目，才真正把树莓派 5 塞进了生产现场。

先说背景：客户那边需要给一台热压机加装一个物料到位检测装置，要求低成本、本地推理、不依赖云端。我看了一眼现场环境，再瞄了一眼预算单，决定试试树莓派 5 跑 YOLOv5。说实话，刚拿到手的时候信心满满，心想这好歹是 8GB 内存的四核 A76，跑个轻量级检测模型还不是洒洒水。结果真进了车间，从刷系统到稳定运行，前后卡了六件事，每一件都让我记忆深刻。

这篇就聊聊我在实际部署过程中踩过的坑和最终的解决办法，给想在小钢炮上跑 YOLOv5 的朋友一些参考。

1. 树莓派 5 的选购与装机准备

1.1 版本选择和散热方案的权衡

树莓派 5 的 CPU 性能确实比 4B 强了一大截，主频最高能到 2.4GHz，而且是四核 A76 架构，IPC 提升明显。但性能上来了，发热问题也一并跟着来了。

我之前在 4B 上用的是那种小铝鳍片加风扇的方案，跑个分类任务倒还压得住。但到了 5 代，这招不灵了。用官方系统跑个压力测试，不到五分钟温度就直接顶到 85 度，频率咔咔往下掉，推理速度也跟着掉了一半还多。

注意：树莓派 5 最大的散热坑在于 SoC 封装位置和 4B 不一样，传统的树莓派 4B 散热片（尤其那种居中设计的）装上以后贴合度很差，导热效果大打折扣。

我最终换成了带热管的大面积散热器，风扇转速调到 60% 恒定运行，温度稳定在 55 度上下。如果你打算长期在车间环境跑推理，散热这块千万别省钱。

1.2 电源适配器的隐藏标准

树莓派 5 改用 PCIe 接口供电（当然，实际是通过 USB-C 口输入），官方要求 5V/5A 的电源。我之前偷懒，直接用了手头 4B 的 5V/3A 电源，结果开机就提示欠压，系统频繁降频，SSD 偶尔还会掉盘。

这里解释一下为什么 5A 这么重要：树莓派 5 在高负载下，峰值电流能飙到 4A 以上，如果电源余量不足，电压跌落导致欠压保护，后果就是外设随机失灵。SSD、摄像头、继电器模块全部跟着遭殃。

经验之谈：给树莓派 5 配电源时，别只看标称电流，尽量选线损小的线材，USB-C 线越短越好，我用的是 0.5 米的短线，比 1 米的稳定不少。

2. 系统安装：从 Ubuntu 到树莓派 OS 的选择

2.1 安装 Ubuntu 的诱惑与陷阱

很多人一上来就想着给树莓派 5 装 Ubuntu，我一开始也是这个思路。毕竟网上关于 Ubuntu 的教程多，遇到问题好搜，而且心理上觉得 Ubuntu “更专业”。

实际装的是 Ubuntu Server 24.04，装完以后发现几个问题：

• 树莓派 5 的 PCIe SSD 支持在 Ubuntu 下需要额外配置 bootloader，否则启动引导会从 SD 卡找。
• GPU 驱动（V3D）的 OpenGL 支持不如树莓派 OS 成熟，某些依赖 OpenGL 的视觉库会出现渲染异常。
• 硬件编解码器（HEVC 解码）的驱动在 Ubuntu 下不如官方系统完善，虽然我们用不到视频流解码，但这表明整体适配度有差距。

我折腾了一个下午以后，果断换回树莓派 OS（Bookworm，64位）。事实证明，在树莓派上跑视觉应用，官方系统的底层支持更稳妥。

2.2 系统烧录时的网络配置技巧

烧录系统时有个容易被忽略的细节：树莓派 OS 镜像工具可以在烧录前就预设 WiFi 和 SSH 配置，这比开机以后再去接显示器配置方便多了。

但如果你的车间现场没有 WiFi，只有网线口，那就要注意：树莓派 5 的板载网口是千兆的，插上网线以后默认走 DHCP。如果你现场的交换机没有 DHCP 服务，就需要在cmdline.txt里手动配置静态 IP，否则系统起不来，你也不知道它到底跑没跑起来。

我当时用的是最土的办法：先在家里的路由器下把系统配好，把静态 IP 写死在/etc/dhcpcd.conf，然后拿到车间插网线直接就能 SSH 进去。这个步骤花费不到五分钟，但给我省了后续两天的麻烦。

3. 构建 Python 环境的宝藏与天坑

3.1 Python 版本和虚拟环境的兼容性问题

树莓派 OS 2024 年后的版本默认 Python 是 3.11（Bookworm 带的是 3.9 和 3.11 并存），这对跑 YOLOv5 来说是个好消息，因为 YOLOv5 官方要求 Python 3.8+。

但天坑在于 Bookworm 系统默认启用了externally-managed-environment机制，直接pip install会被系统拦截，报一个“externally-managed-environment”的错误。很多新手这步就卡住了。

我的解决方案是直接建虚拟环境：

python3 -m venv yolov5_env source yolov5_env/bin/activate pip install --upgrade pip

然后所有依赖全装在虚拟环境里面，日后哪怕系统 Python 环境被搞崩了，也不影响项目的正常运行。

3.2 换源问题：别全盘照抄 PyPI 源

国内部署 Python 环境，换 PyPI 源是常规操作。但 YOLOv5 的requirements.txt里有几个包（比如torch、torchvision）在 PyPI 镜像源下的版本，是专门为 ARM 架构编译的 wheel 包。

如果你用阿里云的 PyPI 源，需要确认是否支持linux_aarch64平台的 torch wheel。实测下来，清华源对 ARM 的 torch 支持比较好，可以直接下载预编译版本，不需要现场编译。

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

重要：PyTorch 官方对树莓派 5 的 CPU 推理支持非常完善，--index-url直接指向官方 CPU 版 wheel 仓库即可。千万别用默认源，否则会触发在树莓派上编译 PyTorch 的绝望流程，编译几个小时以后报错，你是真的会想砸东西。

4. 部署 YOLOv5：从 PC 到 ARM 的模型迁移

4.1 模型导出和精度损失

我的办公电脑上训练好的 YOLOv5s 模型，.pt格式，直接搬到树莓派上跑，理论上没问题。但实际运行推理的时候，发现检测框有少量偏移，精度明显下降。

排查了半天，发现原因是训练时用的是 GPU 版本的 PyTorch（CUDNN backends），模型在推理时启用了半精度（FP16）。而树莓派是 CPU 推理，ARM 平台上某些算子对 FP16 的支持不好，导致计算精度变化。

解决办法很简单：导出模型时强制使用 FP32，并且用torch.jit的 traced 模型进行部署。

model.model[-1].export = True model.eval() dummy_input = torch.zeros(1, 3, 640, 640) traced_model = torch.jit.trace(model, dummy_input) traced_model.save("best_fp32.pt")

这样转换出来的模型在树莓派上跑，精度和 GPU 推理基本对齐。

4.2 模型剪枝和尺寸优化

YOLOv5s 的参数量大概在 7.2M，权重文件 14MB 左右。看起来不大，但推理延迟在树莓派 5 上仍然偏高——实测 640x640 输入，单帧推理时间在 1.8 秒到 2.1 秒之间。

如果是静态场景检测，比如我这个工位物料到位检测，2 秒一帧也能用。但如果场景需要更实时，就要考虑轻量化模型，比如 YOLOv5n，参数量只有 1.9M，推理速度能提到 0.8 秒左右。

我最终选的是折中方案：保留 YOLOv5s，但把输入尺寸从 640 降到 416。检测精度依旧满足需求，推理速度提升到 1.2 秒一帧。

4.3 使用 NCNN 前传框架

如果觉得 YOLOv5 原生 PyTorch 部署在树莓派上太慢，可以考虑用 NCNN 进行推理加速。

NCNN 是腾讯开源的神经网络前向计算框架，专门针对移动端和嵌入式平台做了优化，对 ARM 平台的支持相当到位。我的尝试结果是：同样一个模型，NCNN 的推理速度比 PyTorch 原生快 2 倍左右（取决于量化程度）。

NCNN 部署的难点在于模型转换，需要先.pt→.onnx→.param/.bin，中间偶发算子不支持的问题，但好在 YOLOv5 的算子相对简单，转换起来比较顺利。

5. 摄像头接入与数据流

5.1 USB 摄像头还是 CSI 摄像头？我的建议

车间环境复杂，一开始我直接用了一个普通的 USB 摄像头，以为插上就能用。事实上也确实能用，但有几个问题：

• USB 摄像头在树莓派 5 上默认走 UVC 协议，CPU 占用偏高。
• 帧率不稳定，尤其在高分辨率模式下，偶尔掉帧。
• 车间里有电焊机等大功率设备，USB 线容易受电磁干扰，画面出现水波纹。

后来换了 CSI 接口的树莓派官方摄像头模块（Camera Module 3），情况改善很多：

• CSI 接口走专用数据通道，不占 USB 控制器带宽。
• 树莓派 OS 对 CSI 摄像头的底层支持非常完善，画质和帧率都更稳定。
• 支持自动对焦，调试方便很多。

5.2 图像采集参数设置

无论用哪种摄像头，都需要在代码里设定合理的采集参数。这里给出一个参考配置：

import cv2 cap = cv2.VideoCapture(0, cv2.CAP_V4L2) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) cap.set(cv2.CAP_PROP_FPS, 20) cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) # 其他参数 cap.set(cv2.CAP_PROP_BRIGHTNESS, 128) cap.set(cv2.CAP_PROP_CONTRAST, 128) cap.set(cv2.CAP_PROP_SATURATION, 128) cap.set(cv2.CAP_PROP_GAIN, 0)

注意BUFFERSIZE设置为 1，这很关键。默认的缓冲区会积压好几帧，导致你取到的图像是几百毫秒前的，对于实时检测任务来说就是灾难。

6. 图像预处理与推理流水线的打磨

6.1 图像格式转换的性能瓶颈

YOLOv5 要求输入是 RGB 格式、归一化到 0~1 区间的 Tensor。但 OpenCV 默认读出来是 BGR，且取值范围是 0~255。如果直接对每一帧都做这些转换，会白白消耗 CPU 算力。

我的做法是提前把 YOLOv5 的预处理步骤集成到推理代码里，用torchvision.transforms处理。减少图像数据在 Python 层和底层之间的拷贝次数。

更极致一点：直接用cap.read()读出的 numpy 数组，转换为 torch tensor 后直接推理，避免cv2.cvtColor和np.transpose的额外开销。

img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = img.astype(np.float32) / 255.0 img = np.transpose(img, (2, 0, 1)) img_tensor = torch.from_numpy(img).unsqueeze(0)

这段代码放在循环外面做一次，推理循环里只做 Tensor 和模型的交互，性能提升还是很明显的。

6.2 推理结果后处理和 IO 控制

推理完成以后，拿到的是检测框坐标、置信度和类别 ID。在车间场景里，除了在画面上画框，还需要把检测结果转成 IO 信号，比如当检测到“物料到位”时，输出一个高电平给 PLC 或者继电器。

我用的方案是树莓派的 GPIO 控制。

import RPi.GPIO as GPIO GPIO.setmode(GPIO.BCM) GPIO.setup(17, GPIO.OUT) # 物料到位信号 # 在推理循环内 if detections: GPIO.output(17, GPIO.HIGH) else: GPIO.output(17, GPIO.LOW)

细节是：GPIO 输出电平变化不能太快。如果一帧检测有物料、下一帧没有，PLC 那边会接到一个抖动的信号。我的处理方式是加一个保持计数——连续三帧检测到才输出高电平，连续三帧没检测到才拉低。这个简单的防抖逻辑，在现场实际运行中非常有效。

7. 长时间运行的稳定性和鲁棒性

7.1 看门狗与自动重启

车间设备要求 7x24 小时不间断运行，树莓派虽然皮实，但遇到电压波动或者系统死锁，还是需要自动恢复机制。

我给树莓派加了一个硬件看门狗（基于树莓派 GPIO 实现的看门狗脚本），用 systemd 服务监控推理进程和网络状态。如果进程崩溃或者网络失联超过指定秒数，就自动重启树莓派或者至少重启 Python 服务。

sudo apt install watchdog sudo systemctl enable watchdog

在/etc/watchdog.conf里配置监控的服务名称和 GPIO 引脚，实测下来基本能保证系统“跑不死”。

7.2 日志记录和远程监控

现场调试的一大痛点是不能随时过去看屏幕。我加了一个简单的主循环日志系统：

• 推理日志写到/var/log/yolo_detect.log
• 用logging模块的RotatingFileHandler做日志轮转，避免日志文件无限膨胀。
• 如果检测到连续 30 帧都没有任何识别结果，往日志里写入告警级信息，方便远程排查是画面模糊、摄像头掉线还是模型失效。

再配合 SSH 远程登录，大部分问题都能在办公室就解决。

8. 现场部署和维护的几个补充建议

8.1 供电和接地

车间里电焊机、大电机、变频器全开的时候，电网质量非常恶劣。我之前在实验室跑得好好的 PCIe SSD，到了车间连续两次出现文件系统损坏，后来排查发现是供电瞬时跌落导致的掉盘。

解决方案：

• 树莓派 5 的电源接线，不要从普通插座取电，改成从工业开关电源（明纬等）单独拉一路直流供电。
• 给电源加个 EMI 滤波器。
• 在树莓派的 USB-C 口前，加一个防反接和过压保护的电路模块。

这一套加完，供电环节再没出过问题。

8.2 散热和防尘

车间环境粉尘普遍比较重。树莓派 5 的风扇用了不到一个月，叶片上就糊了一层灰，风量明显下降。

建议：

• 风扇进风口加一层过滤棉，或者直接用防尘网把整个板子罩住。
• 每两周做一次清灰。
• 如果条件允许，把树莓派装进带散热孔的金属接线盒里，既防尘又防电磁干扰。

9. 最终调参和效果对比

最后给一张我在现场实测的数据表，环境温度 28 度，树莓派 5 8GB，CSI 摄像头，YOLOv5s，输入 416x416：

说实话，这个性能不算亮眼，但足够满足车间物料检测的节拍需求。

有一次我在现场看到检测模块连续稳定跑了三天三夜没出岔子，次品率下降了 0.7 个百分点。那一刻还是有点感慨——树莓派 5 这个小板子，加一块 CSI 摄像头，加一套 YOLOv5，再配上工业供电和防护外壳，硬是顶进了一线车间，还得天天跟电焊火花和粉尘打交道。

如果非要让我给后来者一个总结性的建议，我会说：树莓派 5 的性能上限决定了它做不了复杂的工业视觉，但在轻量化检测场景里，只要把散热、供电、模型优化这三件基本功做扎实，它完全能当一台合格的小型边缘计算盒子用。至于后来我又入手的 AI 套件（Hailo-8L），推理性能又上了一个台阶，那就是另一个故事了。