YOLO 感知节点部署与话题通信¶

1. 课程目标¶

理解 YOLO 感知模型如何嵌入 ROS 系统
学会将 YOLO 推理封装为 ROS 节点
使用 ROS Topic 实现：
图像订阅（输入）
目标检测结果发布（输出）
为后续 感知 → 决策 → 控制 打下基础

2. 系统架构说明¶

本教程采用如下 ROS 通信结构：

flowchart LR
    Camera[Camera Node]
    Yolo[YOLO Node<br/>(Detection)]
    Other[Other ROS Node<br/>(Visualization / Decision)]

    Camera -- "/image_raw" --> Yolo
    Yolo -- "/yolo/detections" --> Other

YOLO 节点职责： - 订阅相机图像话题 - 运行 YOLO 模型推理 - 发布检测结果（类别 / 置信度 / 框）

3. 环境准备¶

3.1 ROS 环境¶

ROS Noetic
已完成前述 ROS 通信教程

3.2 Python 与 YOLO 环境¶

沿用你已有的环境：

conda activate fz2h_course
pip install ultralytics opencv-python

额外依赖（ROS 图像转换）：

sudo apt install ros-noetic-cv-bridge ros-noetic-image-transport

4. 创建 YOLO ROS 包¶

在工作空间中创建新包：

cd ~/catkin_ws/src
catkin_create_pkg yolo_ros_demo rospy std_msgs sensor_msgs cv_bridge
cd ~/catkin_ws
catkin_make
source devel/setup.bash

5. YOLO ROS 节点实现¶

5.1 节点功能说明¶

YOLO ROS 节点需要完成：

订阅 /image_raw（sensor_msgs/Image）
使用 cv_bridge 转换为 OpenCV 图像
调用 YOLO 模型推理
输出检测结果（日志 or Topic）

5.2 创建 YOLO 节点文件¶

cd ~/catkin_ws/src/yolo_ros_demo
touch yolo_node.py
chmod +x yolo_node.py

5.3 YOLO 节点代码¶

#!/usr/bin/env python
import rospy
from sensor_msgs.msg import Image
from cv_bridge import CvBridge
import cv2
from ultralytics import YOLO

class YoloNode:
    def __init__(self):
        rospy.init_node("yolo_node")

        # 加载 YOLO 模型
        model_path = rospy.get_param("~model_path", "yolo11s.pt")
        self.model = YOLO(model_path)

        self.bridge = CvBridge()

        # 订阅相机图像
        self.image_sub = rospy.Subscriber(
            "/image_raw", Image, self.image_callback, queue_size=1
        )

        rospy.loginfo("YOLO ROS Node Started")

    def image_callback(self, msg):
        # ROS Image → OpenCV
        cv_image = self.bridge.imgmsg_to_cv2(msg, desired_encoding="bgr8")

        # YOLO 推理
        results = self.model(cv_image)

        # 处理检测结果
        for result in results:
            boxes = result.boxes
            for box in boxes:
                cls_id = int(box.cls[0])
                conf = float(box.conf[0])
                rospy.loginfo("Detected class %d with confidence %.2f", cls_id, conf)

        # 可视化（调试用）
        annotated = results[0].plot()
        cv2.imshow("YOLO Detection", annotated)
        cv2.waitKey(1)

if __name__ == "__main__":
    try:
        YoloNode()
        rospy.spin()
    except rospy.ROSInterruptException:
        pass

6. 编译与运行¶

6.1 编译¶

cd ~/catkin_ws
catkin_make
source devel/setup.bash

6.2 启动 ROS Master¶

roscore

6.3 启动图像源（示例）¶

如果你还没有相机节点，可以用 USB 摄像头：

rosrun usb_cam usb_cam_node

确认图像话题存在：

rostopic list

应看到：

/image_raw

6.4 启动 YOLO 节点¶

rosrun yolo_ros_demo yolo_node.py

终端输出示例：

[INFO] Detected class 0 with confidence 0.87
[INFO] Detected class 2 with confidence 0.65

同时弹出 OpenCV 窗口显示检测结果。

7. 参数化模型路径（推荐）¶

可以通过 ROS 参数指定模型路径：

rosrun yolo_ros_demo yolo_node.py _model_path:=/home/user/models/yolo11s.pt

8. 结果发布（进阶说明）¶

当前教程中： - 检测结果以 log 形式输出

后续可扩展为： - 自定义 BoundingBox.msg - 发布 /yolo/detections Topic - 提供给导航 / 决策 / 跟踪节点使用

9. 常见问题¶

Q1：YOLO 推理很慢？¶

使用 yolo11n / yolo11s
开启 GPU（CUDA）
降低输入分辨率

Q2：ROS 节点崩溃？¶

检查 Python 环境是否与 ROS Python 冲突
确保 ultralytics 安装在当前 Python 中

10. 总结¶

本教程完成了：

✅ YOLO 模型 → ROS 节点封装
✅ ROS 图像话题 → YOLO 推理
✅ 感知模型正式接入 ROS 系统

这是 机器人感知系统工程化的关键一步。