Skip to content
FSAC AST Docs

摄像头

约 1 分钟阅读 0%

Basler 相机配置

Section titled “Basler 相机配置”

官方资源

Section titled “官方资源”

安装步骤

Section titled “安装步骤”

  1. 下载 Pylon SDK

    选择最新版 Pylon SDK 版本，任意填写表单，得到下载链接。

    示例链接：

    https://downloadbsl.blob.core.windows.net/software/pylon%2025.11.0/pylon-25.11.0_linux-x86_64_debs.tar.gz

  2. 安装 SDK

    解压后得到 .deb 文件，使用以下命令安装：

    Terminal window
    sudo apt install ./pylon*.deb

  3. 连接摄像头

    • 连接摄像头电源
    • 使用超五类及六类或更高传输带宽的以太网线连接摄像头与计算机

  4. 配置网络

    • 在设置中为新出现的以太网设备设置 IP 地址、网关、子网掩码
    • 为摄像头手动分配一个子网（例如 IP 192.168.2.1，Mask 255.255.255.0）
    • 在 Pylon IP Configurator 中为摄像头设备填写相同的 IP

  5. 测试连接

    打开 Pylon Viewer，双击 GigE 中的设备，并点击工具栏中的连拍查看图像是否正常。

模型训练

Section titled “模型训练”

标注工具

Section titled “标注工具”

X-AnyLabeling: GitHub 仓库

YOLO 训练

Section titled “YOLO 训练”

官方文档: Ultralytics YOLO 训练指南

训练流程

Section titled “训练流程”

  1. 数据标注

    根据 X-AnyLabeling 使用说明，导入图像文件夹。设定几种标签类型：

    • Red - 红色锥桶
    • Blue - 蓝色锥桶
    • Yellow - 黄色锥桶

    在图像中对锥桶框选，选择对应的标签类型。

  2. 导出数据集

    标注大约 100 张后，将数据集导出为 COCO 格式。

  3. 编写配置文件

    path: /path_name          # 数据集路径
    train: images/train       # 训练数据集
    val: images/val           # 验证数据集

  4. 开始训练

    Terminal window
    yolo detect train data=config.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

    使用 YOLO-n 模型训练大约 20-30 轮后导出模型文件。

  5. 自动标注

    • 点击 X-AnyLabeling 左下角的 AI 图标
    • 导入训练好的模型
    • 对其余未标注图片自动标注
    • 手动检查修正

  6. 部署模型

    在收集足够的数据集并且完成训练后，使用 ONNX Runtime 或 TensorRT 在 C++ 中加载模型。

训练技巧

Section titled “训练技巧”
编辑此页 查看源码 修改历史

发现问题？欢迎在 GitHub 上直接编辑此文档。