香橙派 AIpro 开发板评测：部署 YOLOv5 模型实现图像与视频中物体识别

发表于 2026-10-4 15:28:06

马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。

您需要登录才可以下载或查看，没有账号？立即注册

×

OrangePi AIpro 是香橙派在 2023 年 12 月联合华为发布的基于昇腾架构的开发板，提供 8/20 TOPS 算力。本文记录在一块实机上从 Xshell 远程登录、Python 环境准备、YOLOv5 部署，到图片识别与摄像头实时检测的完整过程，并给出四种模型权重的选型对比，供做边缘视觉的开发者参考。

开发板基本规格

香橙派（OrangePi）是一款开源单板计算机，广泛应用于教育、嵌入式开发与物联网场景，支持 Android、Ubuntu、Debian 等系统。AIpro 版本的重点在于算力模块：

项目	说明
AI 算力	8/20 TOPS，适用于 AI 边缘计算、深度视觉学习、视频流分析
内存	8GB / 16GB LPDDR4X
显示	支持双 4K 高清输出
接口	双 HDMI、GPIO、Type-C 供电、M.2（SATA/NVMe 2280）、TF 卡槽、千兆网口、双 USB 3.0、双 MIPI 摄像头、MIPI 屏
系统支持	Ubuntu、openEuler

Xshell 远程登录

先确认开发板已通电并接好网络。接显示器与键盘可以直接在板子上操作，默认登录名为 HwHiAiUser，密码为 Mind@123。点击右上角 WIFI 标识再点查看连接信息，即可拿到内网 IP，实测为 192.168.0.103 段。

在自己电脑上启动 Xshell，输入内网 IP 与账号密码即可远程连接，后续还会在 Xftp 上做开发板与本机之间的文件同步。

安装 Python 环境

为运行 YOLOv5 先准备 Python 与 pip，更新软件包列表后安装：

sudo apt update
sudo apt install python3 python3 -pip -y

执行 python3 --version 确认版本，本次环境使用 Python 3.9。

部署 YOLOv5

从代码托管平台获取 YOLOv5 源码，用 Xftp 等工具拷贝到开发板上，在终端进入目录并解压：

unzip yolov5-master.zip
cd yolov5-master

进入目录后安装依赖，这些依赖包含 PyTorch、OpenCV 等运行所需库：

pip3 install -r requirements.txt

用预训练模型识别图片

用预训练模型跑一张公交车场景示例图：

python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg

命令会加载模型并在指定图片上做目标检测，识别结果保存在 runs/predict 目录下，可直接打开比对。从输出看，模型对车身与细节都能正确识别并标注。

四种模型的选型对比

YOLOv5 提供 s、m、l、x 四个变种，性能与精度各有侧重。先把权重文件拉下来：

wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5s.pt
wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5m.pt
wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5l.pt
wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5x.pt

然后分别用不同权重做测试，例如小模型：

python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/bus.jpg

s 模型体积小、速度最快，适合边缘设备上实时性要求高的场景；m 模型在精度与速度之间平衡，是多数情况下的起点；l 与 x 精度更高但显存与算力消耗明显，更适合服务端或有 independent 加速的场景。建议在同一张图上跑一遍四个权重，记录检测耗时与置信度，用实测数据定选型。

连接摄像头做实时检测

实时场景需要摄像头，USB 与 MIPI 两种接口都支持。先装工具包：

sudo apt install v4l-utils -y

用下列命令确认设备已识别：

v4l2-ctl --list-devices

确认设备路径后，例如 /dev/video0，执行实时检测：

python detect.py --weights yolov5m.pt --img 640 --conf 0.25 --source 0

这里的 0 表示默认摄像头设备，实际设备号要根据 v4l2 的返回修改。结合摄像头现场光线与检测效果，可以进一步调 --img 与 --conf 两个参数，在识别率和误报之间取平衡。

实测感受

远程连接响应迅速，Python 环境与依赖安装都比较顺畅，模型运行稳定，识别结果正确。算力模块在深度学习任务中确实能带来明显提升，双 HDMI 与 M.2 插槽也方便同时挂显示与存储。整体是一块适合做视觉类原型验证的板子，短板在于 8/20 TOPS 档位下大模型推理仍需按内存容量权衡。

qidao123.com企服评测-应用市场编辑提示