Intel 的哪吒（Nezha）開發套件是一款專為邊緣AI和物聯網應用設計的高性能計算平臺，搭載了Intel? N97處理器、內置 Intel? UHD Graphics GPU，并提供高達8GB LPDDR5內存與32GB至64GB eMMC存儲選項。它支持 Windows 和 Linux 操作系統，具備豐富的接口如千兆以太網、HDMI 1.4、USB 3.0/2.0 以及 GPIO 等，兼容樹莓派擴展板。

此外，該套件采用無風扇設計并集成了 TPM 2.0 安全模塊，適用于自動化、物聯網網關、數字標牌及機器人等多種場景，結合 OpenVINO? 工具包可加速深度學習模型推理，便于開發者快速構建高效且安全的解決方案。

YOLOv5 簡介

YOLOv5 是 YOLO（You Only Look Once）系列中的一種實時對象檢測系統，它以速度快、準確性高而聞名。對于開發者來說，YOLOv5 提供了一種簡單易用的方法來創建高效的對象檢測模型。官方 GitHub 倉庫提供了豐富的資源和示例代碼，可以幫助用戶快速入門并開始構建自己的檢測器。

GitHub: https://github.com/ultralytics/yolov5

哪吒套件部署 YOLOv5

YOLOv5 以其出色的實時性能和高準確性而受到廣泛歡迎，并且官方提供了詳盡的文檔和支持，與其他設備相同，在哪吒套件上部署 YOLOv5 進行透明物體目標檢測時，用戶仍需注意一些關鍵步驟。

首先，確保開發環境已正確配置，包括安裝所有必要的依賴項如 Python、PyTorch 等。接著，準備訓練數據集是至關重要的一步，這通常涉及將圖像及其標注信息按照特定格式整理好。對于透明物體檢測這樣的特定任務，可能還需要對模型做一些微調以優化其識別能力。整個過程雖然需要一定的技術背景支持，但借助于豐富的在線資源和社區幫助，即使是初次嘗試者也能順利完成部署。

下面的步驟可以讓你在搭載在哪吒套件的 windows 平臺快速上手訓練自己的模型。

搭配環境與安裝依賴

在 win+R 中打開 cmd，輸入以下代碼創建并進入一個名為 yolov5s, python3.8 版本的虛擬環境：

conda create -n yolov5s python=3.8
conda activate yolov5s

克隆倉庫：從官方 GitHub 倉庫克隆 YOLOv5 項目到本地機器。

git clone https://github.com/ultralytics/yolov5 
cd yolov5

然后輸入以下代碼,即可自動下載安裝所有需要的庫。

pip install -r requirements.txt

如果下載速度過慢,可能會導致報錯,可以復制下面代碼(清華源)到cmd中運行,然后在重新進行上面下載庫的步驟：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ 
conda config --ad
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/ 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/

Appendix

1.數據集下載

Trans10K 是一個公開的大規模透明物體分割數據集，包含10,428張真實場景圖像，每張都經過手動標注。它提供了多樣化的透明物體樣本，如杯子、瓶子和窗戶等。數據集分為訓練（5,000張）、驗證（1,000張）和測試（4,428張）三部分，并進一步細分為簡單和困難類別，整個數據集大小約為10.6GB。

可以使用相應的 SDK 進行下載：

pip install openxlab #安裝
pip install -U openxlab #版本升級
import openxlab
openxlab.login(ak=<Access Key>, sk=<Secret Key>) #進行登錄，輸入對應的AK/SK
from openxlab.dataset import info
info(dataset_repo='OpenDataLab/Trans10K') #數據集信息及文件列表查看
from openxlab.dataset import get
get(dataset_repo='OpenDataLab/Trans10K', target_path='/path/to/local/folder/')  # 數據集下載
from openxlab.dataset import download
download(dataset_repo='OpenDataLab/Trans10K',source_path='/README.md', target_path='/path/to/local/folder') #數據集文件下載

下載后解壓即可。

2.格式化數據

Trans10K 數據集通常包含圖像及其對應的標注文件。為了與 YOLOv5 兼容，您需要確保每個圖像都有一個對應的.txt文件，其中包含目標框的位置信息。格式如下：

class_index x_center y_center width height

所有坐標都是相對于圖像尺寸的歸一化值（0.0到1.0之間）。

然而 Trans10K 的標注格式不是 YOLO 格式。

這就需要編寫一個腳本來將標注轉換為 YOLO 格式。轉換腳本如下：

    import cv2
    import numpy as np    
    import os
    from pathlib import Path    
    path_to_masks = 'path/to/mask'    
    path_to_save_yolo_labels = ' path/to/mask/label'    
    def convert_mask_to_bbox(mask_path, save_path):
        # 創建保存路徑        
        Path(save_path).mkdir(parents=True, exist_ok=True)
        
        # 遍歷 mask 文件
         for mask_file in os.listdir(mask_path):
            if mask_file.endswith(".png"):  # mask 以 .png 格式保存
                mask = cv2.imread(os.path.join(mask_path, mask_file), cv2.IMREAD_GRAYSCALE)
                contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
                
                # 獲取文件名，無擴展名
                filename = os.path.splitext(mask_file)[0]                
                bbox_file = open(os.path.join(save_path, filename + ".txt"), 'w')
                
                for contour in contours:
                    x, y, w, h = cv2.boundingRect(contour)                    
                    # YOLO 格式：class x_center y_center width height (歸一化到[0,1]范圍)                    
                    img_height, img_width = mask.shape                    
                    x_center = (x + w / 2) / img_width                    
                    y_center = (y + h / 2) / img_height                    
                    width = w / img_width                    
                    height = h / img_height                    
                    # 假設所有目標都是同一類 (class = 0)                    
                    bbox_file.write(f"0 {x_center} {y_center} {width} {height}n")                                
                    bbox_file.close()
    # 使用示例    
    convert_mask_to_bbox(path_to_masks, path_to_save_yolo_labels)

3.組織文件結構

按照 YOLOv5 的要求組織文件結構。需要以下目錄結構：

/path/to/dataset/

├── images/│   
├── train/│   
└── val/
└── labels/    
├── train/    
└── val/

images/ 目錄下存放圖像文件。

labels/ 目錄下存放相應的標注文件（.txt）。

4.配置data.yaml文件

編輯 YOLOv5 項目中的 data.yaml 文件或者新建一個 trans10k_data.yaml，指定數據集路徑及類別信息，如下所示。

train: /path/to/dataset/images/train  # 訓練圖片路徑
val: /path/to/dataset/images/val      # 驗證圖片路徑
nc: 1  # 類別數量，假設只有一個類別
names: ['transparent_object']  # 類別名稱列表

啟動訓練

使用以下命令啟動訓練過程。您可以根據硬件性能調整圖片大小(--img)、批量大小(--batch)等選項。

python train.py --img 640 --batch 16 --epochs 50 --data data/trans10k_data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt

訓練完成后，就得到了一個能夠檢測透明目標的模型。

總結

通過遵循上述步驟，即使是初學者也能迅速掌握 YOLOv5 的訓練方法并在 Intel 的哪吒（Nezha）開發套件上成功運行。哪吒套件憑借其高性能的 Intel? N97 處理器、內置的 Intel? UHD Graphics GPU 以及高達8GB的 LPDDR5 內存，為實時目標檢測提供了強大的計算支持。

借助 YOLOv5 的強大功能以及個性化的 Trans10K 數據集，用戶能夠快速開發出針對透明物體的高度精確的對象檢測模型。哪吒套件的無風扇設計和豐富的接口選項比如千兆以太網、HDMI 1.4、USB 3.0/2.0等，使其非常適合部署在各種邊緣計算環境中，無論是智能監控、工業自動化還是其他物聯網應用，都能提供可靠且高效的解決方案。