引言：为了提高yolo识别的质量，提高了yolo的版本，改用yolov7进行物体识别，同时系统兼容了低版本的yolo，包括基于C++的yolov3和yolov4，也有更高版本的yolov8。

简介，为了提高识别速度，系统采用了GPU进行加速，在使用7W功率的情况，大概可以稳定在20FPS，满功率情况下可以适当提高。

硬件：D435摄像头，Jetson orin nano 8G

环境：ubuntu20.04，ros-noetic, yolov7

步骤一： 启动摄像头，获取摄像头发布的图像话题

roslaunch realsense2_camera rs_camera.launch  

没有出现红色报错，出现如下界面，表明摄像头启动成功

步骤二：启动yolov7识别节点

roslaunch yolov7 yolov7.launch

launch文件如下，参数device设置为cuda，因为实际使用GPU加速，不是CPU跑，另外参数img_topic是订阅的节点话题，一定要与摄像头发布的实际话题名称对应上。其他参数可以根据实际情况进行调整即可

<?xml version="1.0"?>
<launch>
    <node pkg="yolov7" type="YoloV7.py" name="yolov7">
        <!-- Path to your weight -->
        <param name="weights_path" type="str" value="/home/cwkj/cwkj_ws/src/ros-yolov7/cfg/weights/yolov7-tiny.pt"/>
        <!-- Path to a class_labels.txt file, if you leave it empty then no class labels are visualized.-->
        <param name="classes_path" type="str" value="//home/cwkj/cwkj_ws/src/ros-yolov7/cfg/config/coco.txt" />
        <!-- Input image topic name to subscribe to -->
        <param name="img_topic" type="str" value="/camera/color/image_raw" />
        <!-- [optional]  Confidence threshold (default=0.25) -->
        <param name="conf_thresh" type="double" value="0.20" />
        <!-- [optional]  Intersection over union threshold (default=0.45) -->
        <param name="iou_thresh" type="double" value="0.45" />
        <!-- [optional]  Queue size for publishing (default=3) -->
        <param name="queue_size" type="int" value="1" />
        <!-- [optional] Image size to which to resize each input image before feeding into the network (the final output is rescaled to the original image size) (default=640) -->
        <param name="img_size" type="int" value="640" />
        <!-- [optional] Flag whether to also publish image with the visualized detections (default=false) -->
        <param name="visualize" type="bool" value="true" />
        <!-- [optional] Torch device 'cuda' or 'cpu' (default="cuda") -->
        <param name="device" type="str" value="cuda" />
        <!-- [optional] Node frequency (default=10) -->
        <param name="frequency" type="int" value="10" />
    </node>
</launch>

出现如下界面表示yolov7启动成功

步骤三：打开rqt工具，查看识别效果

rqt_image_view 

等待出现如下界面后，选择yolov7/visualize/image查看yolov7识别效果

总结：可以根据实际需要选择和是的yolo版本进行物体识别。系统中配置的基于darknet的yolov3和yolov4也有着非常好的识别效果。