【“星睿O6”AI PC开发套件评测】图像分割

本文介绍了瑞莎星睿 O6 (Radxa Orion O6) 开发板结合 YOLO 算法模型实现图像分割的项目设计，包括环境搭建、预训练模型、工程代码和效果演示等。

项目介绍

准备工作：OpenCV 安装、Ultralytics 软件包安装、预训练模型下载等；
图像分割：采用 YOLOv8 算法及预训练模型实现图像分割；

准备工作

包括硬件连接、虚拟环境创建、OpenCV 安装、Ultralytics 库部署等。

硬件连接

使用 HDMI 数据线连接显示屏（也可使用 VNC 或 SSH 远程登录）；
USB 接口连接鼠标键盘；
网线连接 LAN 接口和路由器（或 WiFi 模块连接无线网）；
使用 PD 电源供电（或 ATX 电源供电）；

OpenCV 安装

为了避免影响系统 Python，这里采用创建虚拟环境的方案

创建并激活虚拟环境

mkdir ~/cv && cd ~/cv    # 创建 cv 文件夹，便于管理
python3 -m venv venv     # 创建虚拟环境 venv
source venv/bin/activate # 激活虚拟环境 venv

升级 pip 并安装 NumPy + OpenCV 全家桶

pip install -U pip numpy                          # 安装 numpy
pip install opencv-python opencv-contrib-python   # opencv 主模块及 contrib

验证安装

python3 -c "import cv2,sys,numpy;print('OpenCV:',cv2.__version__,'NumPy:',numpy.__version__)"

输出版本号

详见：OpenCV .

Ultralytics 部署

Ultralytics 基于多年在计算机视觉和人工智能领域的基础研究，在目标检测、跟踪、实例分割、图像分类和姿态估计等任务中表现出色。

使用系统或第三方轮子，安装 ultralytics 软件包

sudo apt update && sudo apt install -y python3-dev python3-pip libopenblas-dev
pip install ultralytics

验证安装

python3 -c "import ultralytics, sys, torch; print('ultralytics', ultralytics.__version__, '| torch', torch.__version__, '| Python', sys.version.split()[0])"

输出相应版本号

详见：ultralytics .

图像分割

图像切割算法是计算机视觉中的核心技术，旨在将图像划分为具有相似特征的区域或对象，以便进一步分析和处理。常见的图像切割方法包括基于阈值、区域、边缘以及深度学习的算法。

模型

获取目标模型（这里使用 YOLO 预训练模型 yolov8n-seg.pt 权重文件）；

wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n-seg.pt

将其放置于 model 文件夹。

代码

终端执行 source ~/cv/venv/bin/activate 激活虚拟环境；

修改蒙版透明度，获得更清晰的图像分割效果，代码如下

import cv2
import numpy as np
from ultralytics import YOLO
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('-i', '--image', default='./img/road.jpg')
args = parser.parse_args()
IMG_FILE = args.image

model = YOLO('./model/yolov8n-seg.pt')
img = cv2.imread(IMG_FILE)
h, w = img.shape[:2]

results = model(img, imgsz=640, conf=0.25)

# 复制原图
annotated = img.copy()

# mask 叠加
alpha = 0.6                  # 填充透明度（值越小越透明）
for r in results:
    for mask, cls in zip(r.masks.xy, r.boxes.cls):
        color = (int(cls)*30, 255-int(cls)*30, 255)
        pts = np.int32(mask)

        # 填充内部
        overlay = annotated.copy()
        cv2.fillPoly(overlay, [pts], color=color)
        annotated = cv2.addWeighted(annotated, 1-alpha, overlay, alpha, 0)

        # 加粗轮廓
        cv2.polylines(annotated, [pts], isClosed=True,
                      color=color, thickness=2, lineType=cv2.LINE_AA)

# 画框和标签
annotated = results[0].plot(img=annotated, masks=False)

cv2.namedWindow("Image Segmentation", cv2.WINDOW_NORMAL) # 自定义缩放画面
cv2.imshow("Image Segmentation", annotated)
cv2.waitKey(0)
cv2.destroyAllWindows()

可实现更清晰的图像分割轮廓显示。