دليل البدء السريع: راسبيري باي مع Ultralytics YOLOv8

يوفر هذا الدليل الشامل إرشادات مفصلة لنشر Ultralytics YOLOv8 على أجهزة Raspberry Pi. بالإضافة إلى ذلك، فإنه يعرض معايير الأداء لتوضيح قدرات YOLOv8 على هذه الأجهزة الصغيرة والقوية.

شاهد: تحديثات وتحسينات Raspberry Pi 5.

ما هو Raspberry Pi؟

Raspberry Pi هو جهاز كمبيوتر صغير الحجم، ذو لوحة واحدة وبأسعار معقولة. وقد أصبح شائعاً في مجموعة واسعة من المشاريع والتطبيقات، بدءاً من الأتمتة المنزلية للهواة إلى الاستخدامات الصناعية. لوحات Raspberry Pi قادرة على تشغيل مجموعة متنوعة من أنظمة التشغيل، وهي توفر دبابيس GPIO (مدخلات/مخرجات للأغراض العامة) تسمح بالتكامل السهل مع أجهزة الاستشعار والمشغلات ومكونات الأجهزة الأخرى. وهي تأتي في نماذج مختلفة بمواصفات مختلفة، ولكنها تشترك جميعها في نفس فلسفة التصميم الأساسية المتمثلة في كونها منخفضة التكلفة وصغيرة الحجم ومتعددة الاستخدامات.

مقارنة بين سلسلة Raspberry Pi

ما هو نظام تشغيل Raspberry Pi OS؟

نظام التشغيل Raspberry Pi OS (المعروف سابقاً باسم Raspbian) هو نظام تشغيل شبيه بنظام يونكس يعتمد على توزيع دبيان جنو/لينكس لعائلة راسبيري باي من أجهزة الكمبيوتر المدمجة أحادية اللوحة التي توزعها مؤسسة راسبيري باي. تم تحسين نظام تشغيل Raspberry Pi OS بشكل كبير ل Raspberry Pi مع وحدات المعالجة المركزية ARM ويستخدم بيئة سطح مكتب LXDE معدلة مع مدير نوافذ التكديس Openbox. لا يزال نظام تشغيل Raspberry Pi OS قيد التطوير النشط، مع التركيز على تحسين استقرار وأداء أكبر عدد ممكن من حزم دبيان على Raspberry Pi.

نظام التشغيل فلاش Raspberry Pi OS إلى Raspberry Pi

أول ما عليك فعله بعد الحصول على جهاز Raspberry Pi هو فلاش بطاقة micro-SD مع نظام تشغيل Raspberry Pi، وإدخالها في الجهاز والتمهيد في نظام التشغيل. اتبع وثائق البدء المفصلة من Raspberry Pi لإعداد جهازك للاستخدام لأول مرة.

الإعداد Ultralytics

هناك طريقتان لإعداد الحزمة Ultralytics على Raspberry Pi لبناء مشروعك القادم للرؤية الحاسوبية. يمكنك استخدام أي منهما.

• ابدأ مع عامل ميناء
• ابدأ بدون عامل ميناء

ابدأ مع عامل ميناء

أسرع طريقة للبدء في استخدام Ultralytics YOLOv8 على Raspberry Pi هي التشغيل باستخدام صورة docker المبنية مسبقًا لـ Raspberry Pi.

نفّذ الأمر أدناه لسحب حاوية Docker وتشغيلها على Raspberry Pi. يستند هذا الأمر إلى صورة أرم 64v8/debian docker التي تحتوي على صورة ديبيان 12 (دودة الكتب) في بيئة Python3.

t=ultralytics/ultralytics:latest-arm64 && sudo docker pull $t && sudo docker run -it --ipc=host $t

بعد الانتهاء من ذلك، انتقل إلى قسم استخدام NCNN على Raspberry Pi.

ابدأ بدون عامل ميناء

أقام Ultralytics حزمة

هنا سنقوم بتثبيت Ultralytics الحزمة على Raspberry Pi مع تبعيات اختيارية حتى نتمكن من تصدير PyTorch نماذج لتنسيقات مختلفة أخرى.

1. تحديث قائمة الحزم وتثبيت النقطة والترقية إلى الأحدث

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip
   

2. أقام ultralytics حزمة النقطة مع التبعيات الاختيارية

   pip install ultralytics[export]
   

3. أعد تشغيل الجهاز

   sudo reboot
   

استخدم NCNN على Raspberry Pi

من بين جميع تنسيقات تصدير النماذج التي يدعمها Ultralytics, NCNN يوفر أفضل أداء استدلالي عند العمل مع أجهزة Raspberry Pi لأن NCNN مُحسّن للغاية للمنصات المحمولة/المضمنة (مثل بنية ARM). لذلك توصيتنا هي استخدام NCNN مع Raspberry Pi.

تحويل النموذج إلى NCNN وتشغيل الاستدلال

يتم تحويل نموذج YOLOv8n بصيغة PyTorch إلى NCNN لتشغيل الاستدلال بالنموذج المُصدَّر.

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolov8n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates 'yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

معايير Raspberry Pi 5 مقابل Raspberry Pi 4 YOLOv8

YOLOv8 تم تشغيل المعايير من قبل Ultralytics فريق على تسعة تنسيقات نموذجية مختلفة لقياس السرعة والدقة: PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF لايت PaddlePaddle, NCNN. تم تشغيل المعايير على كل من Raspberry Pi 5 و Raspberry Pi 4 بدقة FP32 مع حجم صورة إدخال افتراضي يبلغ 640.

رسم بياني للمقارنة

اداء

YOLOv8nYOLOv8s

جدول المقارنة التفصيلي

يمثل الجدول أدناه النتائج المعيارية لنموذجين مختلفين (YOLOv8n, YOLOv8s) عبر تسعة تنسيقات مختلفة (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF لايت PaddlePaddle, NCNN) ، الذي يعمل على كل من Raspberry Pi 4 و Raspberry Pi 5 ، مما يمنحنا الحالة والحجم ومقياس mAP50-95 (B) ووقت الاستدلال لكل مجموعة.

إعادة إنتاج نتائجنا

لإعادة إنتاج معايير Ultralytics المذكورة أعلاه على جميع تنسيقات التصدير، قم بتشغيل هذا الرمز:

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
results = model.benchmarks(data="coco8.yaml", imgsz=640)

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
yolo benchmark model=yolov8n.pt data=coco8.yaml imgsz=640

استخدام كاميرا Raspberry Pi

عند استخدام Raspberry Pi لمشاريع رؤية الكمبيوتر، يمكن أن يكون من الأساسي الحصول على موجزات فيديو في الوقت الفعلي لإجراء الاستدلال. يسمح لك موصل MIPI CSI المدمج في Raspberry Pi بتوصيل وحدات كاميرا Raspberry PI الرسمية. في هذا الدليل، استخدمنا في هذا الدليل وحدة كاميرا Raspberry Pi Module 3 لالتقاط موجزات الفيديو وإجراء الاستدلال باستخدام نماذج YOLOv8 .

اختبار الكاميرا

نفّذ الأمر التالي بعد توصيل الكاميرا ب Raspberry Pi. يجب أن ترى بث فيديو مباشر من الكاميرا لمدة 5 ثوانٍ تقريباً.

rpicam-hello

الاستدلال بالكاميرا

هناك طريقتان لاستخدام كاميرا Raspberry Pi للاستدلال YOLOv8 النماذج.

import cv2
from picamera2 import Picamera2

from ultralytics import YOLO

# Initialize the Picamera2
picam2 = Picamera2()
picam2.preview_configuration.main.size = (1280, 720)
picam2.preview_configuration.main.format = "RGB888"
picam2.preview_configuration.align()
picam2.configure("preview")
picam2.start()

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

while True:
    # Capture frame-by-frame
    frame = picam2.capture_array()

    # Run YOLOv8 inference on the frame
    results = model(frame)

    # Visualize the results on the frame
    annotated_frame = results[0].plot()

    # Display the resulting frame
    cv2.imshow("Camera", annotated_frame)

    # Break the loop if 'q' is pressed
    if cv2.waitKey(1) == ord("q"):
        break

# Release resources and close windows
cv2.destroyAllWindows()

rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Run inference
results = model("tcp://127.0.0.1:8888")

yolo predict model=yolov8n.pt source="tcp://127.0.0.1:8888"

أفضل الممارسات عند استخدام Raspberry Pi

هناك بعض أفضل الممارسات التي يجب اتباعها من أجل تمكين أقصى قدر من الأداء على Raspberry Pis الذي يعمل على YOLOv8.

1. استخدم قرص SSD

   عند استخدام Raspberry Pi للاستخدام المستمر على مدار الساعة طوال أيام الأسبوع، يوصى باستخدام SSD للنظام لأن بطاقة SD لن تكون قادرة على تحمل الكتابة المستمرة وقد تتعرض للكسر. مع موصل PCIe المدمج في Raspberry Pi 5، يمكنك الآن توصيل محركات أقراص الحالة الصلبة باستخدام محول مثل قاعدة NVMe لـ Raspberry Pi 5.

2. فلاش بدون واجهة المستخدم الرسومية

   عند وميض نظام تشغيل Raspberry Pi OS، يمكنك اختيار عدم تثبيت بيئة سطح المكتب (Raspberry Pi OS Lite) وهذا يمكن أن يوفر قليلاً من ذاكرة الوصول العشوائي على الجهاز، مما يترك مساحة أكبر لمعالجة رؤية الكمبيوتر.

الخطوات التالية

تهانينا على الإعداد الناجح YOLO على جهاز Raspberry Pi الخاص بك! لمزيد من التعلم والدعم، تفضل بزيارة Ultralytics YOLOv8 Docs ومؤسسة عالم كشمير.

شكر وتقدير واستشهادات

تم إنشاء هذا الدليل في البداية بواسطة Daan Eeltink لمؤسسة كشمير العالمية ، وهي منظمة مكرسة لاستخدام YOLO للحفاظ على الأنواع المهددة بالانقراض. نحن نقدر عملهم الرائد وتركيزهم التعليمي في مجال تقنيات الكشف عن الأشياء.

لمزيد من المعلومات حول أنشطة مؤسسة كشمير العالمية ، يمكنك زيارة موقع الويب الخاص بهم.

الأسئلة المتداولة

كيف يمكنني إعداد Ultralytics YOLOv8 على جهاز Raspberry Pi دون استخدام Docker؟

لإعداد Ultralytics YOLOv8 على جهاز Raspberry Pi بدون Docker، اتبع الخطوات التالية:

1. تحديث قائمة الحزم وتثبيتها pip:

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip
   

2. قم بتثبيت الحزمة Ultralytics مع التبعيات الاختيارية:

   pip install ultralytics[export]
   

3. أعد تشغيل الجهاز لتطبيق التغييرات:

   sudo reboot
   

للحصول على تعليمات مفصلة، راجع قسم البدء بدون Docker.

لماذا يجب أن أستخدم Ultralytics YOLOv8 ' NCNN على Raspberry Pi لمهام الذكاء الاصطناعي؟

Ultralytics YOLOv8 NCNN مُحسّن للغاية للمنصات المحمولة والمضمّنة، مما يجعله مثاليًا لتشغيل مهام الذكاء الاصطناعي على أجهزة Raspberry Pi. يزيد من أداء الاستدلال إلى أقصى حد من خلال الاستفادة من بنية ARM، مما يوفر معالجة أسرع وأكثر كفاءة مقارنةً بالتنسيقات الأخرى. لمزيد من التفاصيل حول خيارات التصدير المدعومة، يرجى زيارة NCNN صفحة التوثيق الخاصة بخيارات النشرUltralytics .

كيف يمكنني تحويل نموذج YOLOv8 إلى تنسيق NCNN لاستخدامه على Raspberry Pi؟

يمكنك تحويل نموذج PyTorch YOLOv8 إلى تنسيق NCNN باستخدام الأمرين Python أو CLI :

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolov8n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates 'yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل، راجع قسم الاستخدام NCNN على Raspberry Pi.

ما هي الاختلافات في الأجهزة بين Raspberry Pi 4 و Raspberry Pi 5 ذات الصلة بتشغيل YOLOv8 ؟

تشمل الاختلافات الرئيسية ما يلي:

• CPU: يستخدم Raspberry Pi 4 Broadcom BCM2711، Cortex-A72 64-bit SoC، بينما يستخدم Raspberry Pi 5 Broadcom BCM2712، Cortex-A76 64-bit SoC.
• الحد الأقصى للتردد CPU : يبلغ الحد الأقصى لتردد Raspberry Pi 4 1.8 جيجا هرتز، بينما يصل تردد Raspberry Pi 5 إلى 2.4 جيجا هرتز.
• الذاكرة: يوفر Raspberry Pi 4 ما يصل إلى 8 جيجابايت من ذاكرة LPDDR4-3200 SDRAM، بينما يتميز Raspberry Pi 5 بذاكرة LPDDR4X-4267 SDRAM، وهي متوفرة في متغيرات 4 جيجابايت و8 جيجابايت.

تساهم هذه التحسينات في تحسين معايير الأداء لطرازات YOLOv8 على Raspberry Pi 5 مقارنةً بـ Raspberry Pi 4. راجع جدول مقارنة سلسلة Raspberry P i للمزيد من التفاصيل.

كيف يمكنني إعداد وحدة كاميرا Raspberry Pi Module للعمل مع Ultralytics YOLOv8 ؟

هناك طريقتان لإعداد كاميرا Raspberry Pi للاستدلال YOLOv8 :

1. استخدام picamera2:

   import cv2
   from picamera2 import Picamera2
   
   from ultralytics import YOLO
   
   picam2 = Picamera2()
   picam2.preview_configuration.main.size = (1280, 720)
   picam2.preview_configuration.main.format = "RGB888"
   picam2.preview_configuration.align()
   picam2.configure("preview")
   picam2.start()
   
   model = YOLO("yolov8n.pt")
   
   while True:
       frame = picam2.capture_array()
       results = model(frame)
       annotated_frame = results[0].plot()
       cv2.imshow("Camera", annotated_frame)
   
       if cv2.waitKey(1) == ord("q"):
           break
   
   cv2.destroyAllWindows()
   

2. استخدام دفق TCP:

   rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888
   

   from ultralytics import YOLO
   
   model = YOLO("yolov8n.pt")
   results = model("tcp://127.0.0.1:8888")
   

للحصول على إرشادات الإعداد التفصيلية، قم بزيارة قسم الاستدلال بالكاميرا.

التعليقات