### Lab2-1：安裝 YOLOv5 環境 ###

>>> conda create --name yolov5_313 python=3.13		# 複製虛擬環境 myenv，新的虛擬環境為 myenv_new

>>> activate yolov5_313					# 啟動 yolov5 的虛擬環境



### Lab2-2：下載 YOLOv5 檔案 ###

# git for Windows 的網址
https://gitforwindows.org/

(yolov5_313) >>> git clone https://github.com/ultralytics/yolov5		# 下載 YOLOv5 原始碼

(yolov5_313) >>> cd yolov5							# 進入 yolov5 目錄

(yolov5_313) >>> pip install -r requirements.txt				# 安裝 YOLOv5 所需環境



### Lab2-3：使用 YOLOv5 模型偵測物件 ###

(yolov5_313) >>> python detect.py --source ./data/images/zidane.jpg				# 以 YOLOv5 模型偵測圖片物件

(yolov5_313) >>> python detect.py --source https://www.youtube.com/watch?v=7BwW2dH6ZI0		# 直接偵測 Youtube 失敗

(yolov5_313) >>> pip install yt-dlp

(yolov5_313) >>> yt-dlp --geo-bypass -f "bv*+ba/b" --merge-output-format mp4 -o "test1.mp4" https://www.youtube.com/watch?v=te09w4vbQiY&list=RDte09w4vbQiY&start_radio=1

(yolov5_313) >>> python detect.py --source test1.mp4 --view-im



### Lab2-4：使用 YOLOv5 模型偵測攝影機 ###

(yolov5_313) >>> python detect.py --source 0					# 以 YOLOv5 模型偵測攝影機物件

(yolov5_313) >>> python detect.py --source 0 --weight yolov5n.pt		# 以 yolov5n 的模型偵測攝影機物件

(yolov5_313) >>> python detect.py --help					# 查詢參數用法



### Lab2-4：匯入 ultralytics 來使用 YOLOv5 模型偵測物件 (2-1.py) ###

import torch
from torch.serialization import add_safe_globals
from models.yolo import Model		# 匯入 YOLOv5 的 Model 類別（需在 yolov5 專案根目錄下執行）

# 允許 PyTorch 在載入模型權重時，安全地識別 YOLOv5 的 Model 類別
add_safe_globals([Model])

# 從 PyTorch Hub 載入 YOLOv5 的預訓練模型
# 可用的模型包含：
#   yolov5n（nano，最輕量）
#   yolov5s（small）
#   yolov5m（medium）
#   yolov5l（large）
#   yolov5x（xlarge，最準確但最慢）
model = torch.hub.load('ultralytics/yolov5', 'yolov5n')

# 測試影像來源（可以是 URL、檔案路徑、NumPy 陣列、PIL 圖像、OpenCV 影像、或影像清單）
img = 'https://ultralytics.com/images/zidane.jpg'

# 使用模型進行物件偵測推論
results = model(img)

# 在終端機中印出偵測結果摘要（例如：偵測到的物件類別與信心分數）
results.print()

# 顯示偵測後的影像（會開啟視窗顯示帶有邊框與標籤的圖片）
results.show()

# 將偵測結果影像儲存到 runs/detect/exp 目錄中
results.save()

# 將偵測結果轉成 Pandas DataFrame 格式並印出
# 每一行包含：
#   xmin, ymin, xmax, ymax：邊界框座標
#   confidence：信心分數
#   class：類別索引
#   name：類別名稱
print(results.pandas().xyxy[0])



### Lab2-5：YOLO 即時影像辦識與存檔 (2-2.py) ###

# 匯入必要套件
import torch
from torch.serialization import add_safe_globals
from models.yolo import Model  # 匯入 YOLOv5 的模型類別，需在 yolov5 專案根目錄中執行
import cv2  # 匯入 OpenCV，用於影像讀取與顯示

# 允許 PyTorch 在載入模型時安全地識別 YOLOv5 的 Model 類別
add_safe_globals([Model])

# 從 PyTorch Hub 載入 YOLOv5s 預訓練模型
# 可選模型：
#   yolov5n（Nano，最輕量）
#   yolov5s（Small）
#   yolov5m（Medium）
#   yolov5l（Large）
#   yolov5x（X-Large，最精準但速度較慢）
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

# 初始化攝影機（0 表示預設攝影機）
cap = cv2.VideoCapture(0)

# 檢查攝影機是否成功開啟
if not cap.isOpened():
    print('請檢查攝影機，無法開啟')
    exit()

# 設定攝影機解析度（寬度 640、高度 480）
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

# 開始即時偵測迴圈
while True:
    # 從攝影機讀取一幀影像
    ret, frame = cap.read()
    if not ret:
        print('無法取得影像')
        break

    # OpenCV 讀入的影像格式為 BGR，需要轉換為 RGB 才能輸入 YOLOv5 模型
    rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

    # 使用 YOLOv5 模型進行物件偵測
    results = model(rgb_frame)

    # 將偵測結果繪製在影像上
    # results.render() 回傳一個列表，取第一張影像 [0]
    output_frame = results.render()[0]

    # 將 RGB 影像轉回 BGR，以便 OpenCV 顯示
    bgr_frame = cv2.cvtColor(output_frame, cv2.COLOR_RGB2BGR)

    # 顯示即時偵測結果影像
    cv2.imshow('YOLOv5 Detection', bgr_frame)

    # 按下 'q' 鍵即可退出迴圈
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 釋放攝影機資源
cap.release()

# 關閉所有 OpenCV 視窗
cv2.destroyAllWindows()



### Lab2-6：自行訓練 YOLO 模型 ###

# 安裝 labelImg 標註工具

(yolov5_313) >>> pip install labelImg		# 從 PyPI 下載與安裝 labelImg

(yolov5_313) >>> start /min labelImg		# 執行 labelImg，start /min 為背景執行



### Lab2-7：標註圖片 ###

# 到 Kaggle 下載訓練照片檔
https://www.kaggle.com/datasets/andrewmvd/road-sign-detection

# coco128 資料集 的目錄結構
https://www.kaggle.com/datasets/ultralytics/coco128

# YOLOv5 官方網頁上的建議
https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Training-Results



### Lab2-8：資料集 YAML 設定檔 (road.yaml) ###

# 設定圖檔路徑
path: ./datasets/road	# 資料根目錄
train: images/train     # 訓練用資料集（相對於 path）
val: images/train       # 驗證用資料集（相對於 path）
test:                   # 測試用資料集（相對於 path，可省略）

# 物件類別設定
nc: 4           # 類別數量
names: ['trafficlight', 'speedlimit', 'crosswalk', 'stop']  # 類別名稱



### Lab2-9：訓練 YOLOv5 模型 ###

# 進行 YOLOv5s 模型訓練
(yolov5_313) >>> python train.py --img-size 640 --batch 16 --epochs 500 --data road.yaml --weights yolov5s.pt



### Lab2-10：使用 Google Colab 來訓練模型 ###

# 登入 Googe Drive
from google.colab import drive
drive.mount('/content/gdrive')		# 此處需要登入 google 帳號

>>> %cd gdrive/MyDrive/			# 進入掛載的雲端硬碟資料夾

>>> !unzip yolov5-master.zip		# 解壓縮 yolov5-master.zip

>>> %cd yolov5-master			# 進入掛載的雲端硬碟目錄

>>> pip install -r requirements.txt	# 安裝 yolov5 所需模組 

>>> !python train.py --img-size 640 --batch 16 --epochs 500 --data road.yaml --weights yolov5s.pt		# 進行 YOLOv5s 模型訓練



### Lab2-11：使用自己的模型進行預測：detect.py 指令稿 ###

# 自己訓練出來的 YOLO 模型也可以直接套用 detect.py 指令稿進行預測
(yolov5_313) >>> python detect.py --weight runs/train/exp/weights/best.pt --source datasets\road\images\train\road0.png --iou-thres 0.5 --conf-thres 0.5

# 以自行訓練的 YOLO 模型偵測攝影機物件
(yolov5_313) >>> python detect.py --weight runs/train/exp/weights/best.pt --source 0 --iou-thres 0.5 --conf-thres 0.5

# 以自行訓練的 YOLO 模型偵測 Youtube 的影片，但失敗
(yolov5_313) >>> python detect.py --weight runs/train/exp/weights/best.pt --source https://www.youtube.com/watch?v=7BwW2dH6ZI0 --iou-thres 0.5 --conf-thres 0.5

# 改以手動下載 Youtube 後，再進行辨識
(yolov5_313) >>> yt-dlp --geo-bypass -f "bv*+ba/b" --merge-output-format mp4 -o "test2.mp4" https://www.youtube.com/watch?v=7BwW2dH6ZI0
(yolov5_313) >>> python detect.py --weight runs/train/exp/weights/best.pt --source test2.mp4 --iou-thres 0.5 --conf-thres 0.5 --view-im



### Lab2-12：使用自己的模型進行預測：自行撰寫 Python (2-3.py) ###

# 匯入必要套件
import torch
from torch.serialization import add_safe_globals
from models.yolo import Model  # 匯入 YOLOv5 的模型類別（需在 yolov5 專案根目錄執行）

# 允許 PyTorch 在載入模型時安全地識別 YOLOv5 的 Model 類別
add_safe_gl### Lab3-1 ###

# 在樹莓派官方網頁，下載作業系統的燒錄程式
https://www.raspberrypi.com/software/



### Lab3-2 ###

# 加入下面兩行 (第一行為註解) 到樹莓派的 /boot/config.txt

# Enable TTL
enable_uart=1
dtoverlay=disable-bt



### Lab3-3 ###

# 下載 putty
https://www.chiark.greenend.org.uk/~sgtatham/putty/latest.html



### Lab3-4 ###

~$ nano myfile.txt



### Lab3-5 ###

~$ ls -al		# 列出檔案的資訊
~$ pwd			# 顯示當前的目錄路徑
~$ mkdir ch1		# 建立目錄
~$ rm -rf ch1		# 刪除目錄
~$ rm myfile.txt	# 刪除檔案
~$ mkdir ch1		# 建立目錄
~$ cd ch1		# 變更目錄到指定位置
~$ cd ~			# 回到家目錄



### Lab3-6 ###

~$ ifconfig			# 檢查所有網卡的設定

~$ ifconfig wlan0		# 檢查第一張無線網卡的設定



### Lab3-7 ###

~$ sudo raspi-config



### Lab3-8 ###

# 下載 VNC Viewer
https://www.realvnc.com/en/connect/download/viewer/



### Lab3-9 ###

# 增加相機模組 imx219 的正確驅動
~$ sudo nano /boot/firmware/config.txt

# 找到 camera_auto_detect=1 這一行，在下面新增 dtoverlay=imx219
dtoverlay=imx219

# 重開機
~$ sudo reboot



### Lab3-10 ###

# 檢查相機模組是否有被偵測
~$ ls /dev/video*

# 檢查相機狀態
~$ dmesg | grep -i camera
~$ dmesg | grep imx



### Lab3-11 ###

# 輸入內建的開啟相機指令
~$ libcamera-hello

# 開啟 10 秒後，再關閉
~$ libcamera-hello -t 10000

# 永不關閉
~$ libcamera-hello -t 0



### Lab3-12 ###

# Xming 官網
https://sourceforge.net/projects/xming/



### Lab3-13 ###

# libcamera-hello + Qt 視窗顯示 (適用於 SSH 遠端)
~$ libcamera-hello -t 0 --qt-preview



### Lab3-14 ###

~$ uname -m		# 查詢 CPU 的版本

~$ file /bin/bash	# 查詢 OS 的版本

~$ lsb_release -a	# 查詢 OS 的資訊

~$ python -V		# 顯示目前的 Python 版本

~$ python		# 進入 Python 的互動模式

>>> exit()		# 離開互動模式



### Lab3-15 ###

~$ nano test.py			# 新增一個 Python 的程式檔



### Lab3-16 (test.py) ###

# 暫停 5 秒後，印出 Hello World!
from time import sleep

sleep(5)
print('Hello World!')



### Lab3-17 ###

~/ch3$ python test.py			# 執行 Python 程式檔



### Lab3-18 ###

~$ sudo apt-get update			# 更新軟體資料庫
~$ sudo apt-get upgrade			# 更新已安裝的軟體
~$ sudo apt-get install thonny		# 安裝 thonny
~$ thonny &				# 執行 thonny



### Lab3-19 ###

# 安裝 venv 與 pip
~$ sudo apt install python3-venv python3-pip

# 在家目錄下，建立虛擬環境 myeny
~$ python -m venv ~/myenv

# 啟用虛擬環境 myeny
~$ source ~/myenv/bin/activate 

# 檢查目前虛擬環境的套件清單
(myenv) ~$ pip list

# 離開目前