安裝完了 YOLOv5 執行環境，今天就來測試與體驗 YOLO 的推論效果吧！

YOLO 物件偵測推論

測試安裝的 YOLOv5

首先打開新的終端機，在 yolov5 的資料夾內除了安裝文件 requirements.txt 之外，還有官方已經寫好的程式可以供使用者使用，現在讓我們透過指令進到「yolov5」資料夾內。

cd yolov5

資料夾內有一個「detect.py」程式，可以讓使用者依照自己使用的模型，與要辨識的來源做設定，並呈現推論的結果。將準備好的網路攝影機插上 Jetson Nano 的 USB 插槽，接著輸入以下指令：

python3 detect.py --weights yolov5n6.pt --nosave --source 0

意思是使用 python3 執行 detect.py 這個 python 檔案，後方的 --weights yolov5n6.pt 則是指設定使用的模型為 yolov5n6，--nosave 則是不將推論結果錄製下來(若想保存可不輸入這個選項)，最後的 --source 0 則是指定影像資料取自連接到 /dev/video0 的網路攝影機。

因為我們的 Jetson Nano 內，目前並沒有 yolov5n6.pt 這個模型，所以程式會幫我們下載預設的官方模型來使用，如下圖所示：

執行過程中會需要一段時間，除了下載模型之外，還需要將模型部屬到 GPU 上。完成後會如下圖所示，顯示目前攝影機拍攝的畫面，並附加推論結果到螢幕上，終端機也會同步出現目前辨識的資訊和推論速度。可以看到每個 frame 推論的時間大約在 65~70 ms 之間，可以達到即時的效果。但因為筆者的 gif 動圖設定只有 5 FPS 所以看起來卡卡 XD。

要關閉程式的話相當簡單，點選拍攝畫面的視窗，並瘋狂按下鍵盤上的「Q鍵」，待視窗關閉，程式也會跟著結束。或是點選終端機視窗，按下鍵盤上的「Ctrl + C鍵」，一次不行就按第二次，成功的話程式也會關閉。

參數設定

關於 --weight 參數可以選用多種育訓練模型，其列表如下：

可以看到依據模型參數量(params)的多寡，會影響準確度 (mAP) 以及推論速度，考量到要在邊緣裝置上運行勢必參數量不能太多，然而其箇中之差異，各位可以任意替換做體驗。 例如想換成 YOLOv5l 模型，只要將參數改為 --weight yolov5l.pt 即可喔！

此外，參數 --source 也可以指定為圖片檔、影片檔、資料夾、甚至是 RTSP 串流與HTTP串流，都是可以接受的！接下來就進行一段影片推論的測試。

下載測試推論用的影片(影片來源為 Pexels)

wget https://raw.githubusercontent.com/FelixLinSY/DevCloud_Hands_On/main/test_video/street.mp4

修改參數進行影片的推論，完成後會把輸出結果放在 yolov5/runs/ 路徑下

python3 detect.py --source street.mp4 --weights yolov5l6.pt

擷取一段推論後的片段，精確度相當不錯，即便是微小的紅綠燈或是行人也可以被判讀出來，此外當然也會有些誤判的部分，可以設定門檻值來提高鑑別度。

小結

今天主要是驗證是否有把環境成功安裝，並使用網路攝影機體驗 YOLOv5 模型推論的威力！現在執行的模型，是官方經由著名「COCO dataset」所訓練的模型，共可辨識 80 種不同的目標。接下來，將帶大家從蒐集資料開始，接著使用方便的線上工具，標記您所要關注的目標，與建立資料集，最後透過 Google colab 強大的資源訓練自己的 YOLOv5 模型，See You！