企业官网建设流程全解析

openEuler ROS与视觉AI集成：YOLO-ROS目标检测完整教程

【免费下载链接】rosIt provides ROS source for openEuler项目地址: https://gitcode.com/openeuler/ros

前往项目官网免费下载：https://ar.openeuler.org/ar/

在openEuler操作系统上集成ROS与视觉AI技术，能够快速实现高效的目标检测功能。本教程将带你一步步完成YOLO-ROS在openEuler系统上的部署与应用，从环境配置到实际运行，让你轻松掌握视觉AI与机器人操作系统的结合技巧。

一、环境准备：打造openEuler ROS开发平台

1.1 配置ROS开发环境

根据硬件架构选择对应的安装命令，以下是针对不同架构的详细步骤：

x86_64架构（openEuler 24.03 LTS）

bash -c 'cat << EOF |sudo tee /etc/yum.repos.d/ROS.repo [openEulerROS-humble] name=openEulerROS-humble baseurl= https://eulermaker.compass-ci.openeuler.openatom.cn/api/ems1/repositories/ROS-SIG-Multi-Version_ros-humble_openEuler-24.03-LTS-TEST4/openEuler%3A24.03-LTS/x86_64/ enabled=1 gpgcheck=0 EOF' sudo dnf install ros-humble-desktop python3-pip pip3 install pytest colcon-common-extensions

ARM架构（树莓派5，openEuler 24.03 LTS sp1）

bash -c 'cat << EOF > /etc/yum.repos.d/ROS.repo [openEulerROS-humble] name=openEulerROS-humble baseurl=https://eulermaker.compass-ci.openeuler.openatom.cn/api/ems1/repositories/ROS-SIG-Multi-Version_ros-humble_openEuler-24.03-LTS-TEST4/openEuler%3A24.03-LTS/aarch64/ enabled=1 gpgcheck=0 EOF' sudo dnf install ros-humble-desktop python3-pip pip3 install --user pytest colcon-common-extensions echo 'export PATH=$PATH:$HOME/.local/bin' > ~/.bashrc

1.2 安装YOLO-ROS功能包

采用yolo-ros开源包实现目标检测功能，执行以下命令完成安装：

mkdir -p ~/yolo_ws/src cd ~/yolo_ws/src git clone https://gitcode.com/openeuler/ros pip3 install --user lap ultralytics typing-extensions cd ~/yolo_ws colcon build

1.3 配置相机驱动

安装v4l2相机驱动以获取图像输入：

sudo dnf install ros-humble-v4l2-camera

二、快速上手：运行YOLO-ROS目标检测

2.1 基本启动流程

打开三个终端，分别执行以下命令：

1. 启动相机节点

ros2 run v4l2_camera v4l2_camera_node

2. 启动YOLO检测节点

source ~/yolo_ws/install/setup.bash ros2 launch yolo_bringup yolo.launch.py

2.2 自定义参数配置

根据实际需求调整检测参数，例如修改输入图像话题：

ros2 launch yolo_bringup yolo.launch.py input_image_topic:=/cam

对于资源受限设备（如树莓派），建议使用轻量级模型并指定CPU运行：

ros2 launch yolo_bringup yolov11.launch.py use_3d:=False use_tracking:=False model:=yolo11n.pt device:=cpu

2.3 无相机环境测试方案

如果没有实际相机，可以使用视频文件模拟相机输入，创建以下Python脚本：

import rclpy from rclpy.node import Node import cv2 as cv from cv_bridge import CvBridge from sensor_msgs.msg import Image class cam_node(Node): def __init__(self): super().__init__('cam_node') self.pub = self.create_publisher(Image,"/camera/rgb/image_raw",10) self.camera = cv.VideoCapture("/path/to/video.mp4") self.bridge = CvBridge() self.timer = self.create_timer(0.05,self.timer_callback) def timer_callback(self): ret,frame = self.camera.read() if ret==0: self.camera.set(cv.CAP_PROP_POS_FRAMES,1) return msg = self.bridge.cv2_to_imgmsg(frame,encoding="bgr8") self.pub.publish(msg) def main(args=None): rclpy.init(args=args) cam = cam_node() rclpy.spin(cam) if __name__ == '__main__': main()

三、结果可视化与话题说明

3.1 检测结果查看

启动成功后，目标检测结果会通过以下ROS话题发布：

• /yolo/detections：检测到的目标信息（边界框、类别、置信度）
• /yolo/dbg_image：叠加检测结果的图像（需启用debug模式）

3.2 常见问题解决

如果出现dbg_image无输出的情况，可能是由于启用了3D或跟踪功能但缺少对应数据，可按以下方式启动：

ros2 launch yolo_bringup yolov11.launch.py use_3d:=False use_tracking:=False input_image_topic:=/your/image

四、扩展应用与性能优化

4.1 模型选择建议

• 高性能设备：推荐使用yolov11m.pt或yolov11l.pt模型
• 嵌入式设备：建议使用yolov11n.pt或yolov11s.pt轻量级模型

4.2 性能调优技巧

1. 降低输入图像分辨率
2. 调整检测阈值（confidence_threshold）
3. 关闭不必要的后处理功能

五、总结

通过本教程，你已经掌握了在openEuler系统上集成ROS与YOLO目标检测的完整流程。这一方案不仅适用于桌面环境，还可部署在树莓派等嵌入式设备上，为机器人应用提供强大的视觉感知能力。

官方文档：docs/source/other-tutorials/yolo-ros.md

如果你在使用过程中遇到问题，可以参考ROS官方文档或YOLO-ROS项目说明进行调试优化。随着技术的不断发展，这一集成方案将在更多领域发挥重要作用。

【免费下载链接】rosIt provides ROS source for openEuler项目地址: https://gitcode.com/openeuler/ros