Schnellstartanleitung: Raspberry Pi mit Ultralytics YOLO26#

Raspberry Pi ist ein kleiner, erschwinglicher Computer, auf dem Ultralytics YOLO26 für die Objekterkennung in Echtzeit direkt am Einsatzort läuft – ganz ohne GPU. Diese Anleitung führt dich durch die Bereitstellung von YOLO26 auf Raspberry Pi 4 und 5: das Betriebssystem aufspielen, Ultralytics installieren, für die schnellste Inferenz auf ARM nach NCNN exportieren und Vorhersagen mit einem Live-Kamerabild ausführen. Außerdem enthält sie Leistungsbenchmarks für acht Exportformate, damit du für deine Hardware den passenden Kompromiss zwischen Geschwindigkeit und Genauigkeit wählen kannst.

Springe zu Ultralytics einrichten, nach NCNN exportieren und Inferenz ausführen, Benchmarks oder Inferenz mit der Kamera.

Was ist Raspberry Pi?#

Raspberry Pi ist ein kleiner, erschwinglicher Einplatinencomputer. Er ist für zahlreiche Projekte und Anwendungen beliebt geworden – von der Heimautomatisierung im Hobbybereich bis hin zu industriellen Einsätzen. Raspberry-Pi-Boards können verschiedene Betriebssysteme ausführen und verfügen über GPIO-Pins (allgemeine Ein- und Ausgabe), an die sich Sensoren, Aktoren und andere Hardwarekomponenten problemlos anschließen lassen. Es gibt verschiedene Modelle mit unterschiedlichen technischen Daten, doch alle folgen demselben Grundprinzip: Sie sind kostengünstig, kompakt und vielseitig.

Vergleich der Raspberry-Pi-Serien#

Was ist Raspberry Pi OS?#

Raspberry Pi OS (früher bekannt als Raspbian) ist ein Unix-ähnliches Betriebssystem, das auf der Debian-GNU/Linux-Distribution für die Familie kompakter Einplatinencomputer Raspberry Pi basiert, die von der Raspberry Pi Foundation vertrieben werden. Raspberry Pi OS ist stark für Raspberry Pi mit ARM-CPUs optimiert und verwendet eine leichtgewichtige Desktop-Umgebung, die auf Raspberry Pi 4 und 5 standardmäßig mit Wayland läuft. Raspberry Pi OS wird aktiv weiterentwickelt; dabei liegt der Schwerpunkt darauf, die Stabilität und Leistung möglichst vieler Debian-Pakete auf Raspberry Pi zu verbessern.

Raspberry Pi OS auf Raspberry Pi flashen#

Als Erstes solltest du nach dem Kauf eines Raspberry Pi eine microSD-Karte mit Raspberry Pi OS flashen, sie in das Gerät einsetzen und das Betriebssystem starten. Folge der ausführlichen Einstiegsdokumentation von Raspberry Pi, um dein Gerät für die erste Verwendung vorzubereiten.

Ultralytics einrichten#

Du kannst das Ultralytics-Paket auf zwei Arten auf Raspberry Pi einrichten, um dein nächstes Computer-Vision-Projekt umzusetzen:

• Mit Docker loslegen
• Ohne Docker loslegen

Mit Docker loslegen#

Am schnellsten kannst du Ultralytics YOLO26 auf Raspberry Pi nutzen, indem du ein vorgefertigtes Docker-Image für Raspberry Pi ausführst.

Führe den folgenden Befehl aus, um den Docker-Container herunterzuladen und auf dem Raspberry Pi zu starten. Das Image basiert auf dem offiziellen Python-Image 3.13-slim-trixie, das Debian 13 mit Python 3.13 verwendet.

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

Das Docker-Image enthält Ultralytics bereits, sodass du direkt mit dem Export deines Modells nach NCNN beginnen kannst.

Ohne Docker loslegen#

Ultralytics-Paket installieren#

Hier installieren wir das Ultralytics-Paket auf Raspberry Pi. Exportabhängigkeiten für Formate wie NCNN werden automatisch installiert, wenn du zum ersten Mal ein PyTorch-Modell exportierst. Daher benötigst du hier nur das Basispaket.

1. Paketlisten aktualisieren, pip installieren und auf die neueste Version aktualisieren

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

2. Das pip-Paket ultralytics installieren

   pip install ultralytics

3. Gerät neu starten

   sudo reboot

NCNN auf Raspberry Pi verwenden#

Von allen Exportformaten, die Ultralytics unterstützt, bietet NCNN die beste Inferenzleistung auf Raspberry-Pi-Geräten, da es stark für mobile und eingebettete Plattformen wie die ARM-Architektur optimiert ist. Wandle dein YOLO26n-PyTorch-Modell in NCNN um und führe anschließend mit dem exportierten Modell Inferenz aus:

from ultralytics import YOLO

# Ein YOLO26n-PyTorch-Modell laden
model = YOLO("yolo26n.pt")

# Das Modell ins NCNN-Format exportieren
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Das exportierte NCNN-Modell laden
ncnn_model = YOLO("yolo26n_ncnn_model")

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

Leistungsverbesserungen von YOLO26 gegenüber YOLO11#

YOLO26 wurde speziell für den Einsatz auf Geräten mit begrenzten Hardware-Ressourcen wie dem Raspberry Pi 5 entwickelt. Im Vergleich zu YOLO11n erzielt YOLO26n auf dem Raspberry Pi 5 mit ONNX-exportierten Modellen bei einer Eingabegröße von 640 eine um ~15 % höhere FPS-Rate (6.79 → 7.79) und zugleich einen höheren mAP-Wert (40.1 gegenüber 39.5). Die folgende Tabelle und das Diagramm zeigen diesen Vergleich.

YOLO26-Benchmarks auf Raspberry Pi 5#

Das Ultralytics-Team hat Benchmarks für YOLO26 in acht verschiedenen Modellformaten durchgeführt und dabei Geschwindigkeit und Genauigkeit gemessen: PyTorch, TorchScript, ONNX, OpenVINO, LiteRT, MNN, NCNN, ExecuTorch. Die Benchmarks wurden auf einem Raspberry Pi 5 mit FP32-Genauigkeit und einer standardmäßigen Eingabebildgröße von 640 durchgeführt.

Vergleichsdiagramm#

Wir haben nur Benchmarks für die Modelle YOLO26n und YOLO26s aufgenommen, da die anderen Modellgrößen zu groß für Raspberry Pi-Geräte sind und keine angemessene Leistung bieten.

Detaillierte Vergleichstabelle#

Die folgende Tabelle zeigt die Benchmark-Ergebnisse für zwei verschiedene Modelle (YOLO26n, YOLO26s) in acht verschiedenen Formaten (PyTorch, TorchScript, ONNX, OpenVINO, LiteRT, MNN, NCNN, ExecuTorch), ausgeführt auf einem Raspberry Pi 5. Für jede Kombination werden Status, Größe, die Kennzahl mAP50-95(B) und die Inferenzzeit aufgeführt.

Unsere Ergebnisse reproduzieren#

Führe diesen Code aus, um die obigen Ultralytics-Benchmarks für alle Exportformate zu reproduzieren:

from ultralytics import YOLO

# Ein YOLO26n-PyTorch-Modell laden
model = YOLO("yolo26n.pt")

# Benchmark für Geschwindigkeit und Genauigkeit von YOLO26n auf dem COCO128-Datensatz für alle Exportformate
results = model.benchmark(data="coco128.yaml", imgsz=640)

Raspberry-Pi-Kamera verwenden#

Bei Computer-Vision-Projekten mit Raspberry Pi kann es wichtig sein, Videostreams in Echtzeit abzurufen, um Inferenz auszuführen. Über den integrierten MIPI-CSI-Anschluss des Raspberry Pi kannst du offizielle Raspberry-Pi-Kameramodule anschließen. In dieser Anleitung haben wir ein Raspberry Pi Camera Module 3 verwendet, um Videostreams abzurufen und mit YOLO26-Modellen Inferenz auszuführen.

Kamera testen#

Führe den folgenden Befehl aus, nachdem du die Kamera an den Raspberry Pi angeschlossen hast. Etwa 5 Sekunden lang solltest du ein Livebild der Kamera sehen.

rpicam-hello

Inferenz mit Kamera#

Es gibt zwei Möglichkeiten, mit der Raspberry-Pi-Kamera Inferenz mit YOLO26-Modellen auszuführen.

import cv2
from picamera2 import Picamera2

from ultralytics import YOLO

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

# YOLO26-Modell laden
model = YOLO("yolo26n.pt")

while True:
    # Einzelbilder aufnehmen
    frame = picam2.capture_array()

    # YOLO26-Inferenz für das Einzelbild ausführen
    results = model(frame)

    # Ergebnisse auf dem Bild visualisieren
    annotated_frame = results[0].plot()

    # Das resultierende Einzelbild anzeigen
    cv2.imshow("Camera", annotated_frame)

    # Schleife beenden, wenn „q“ gedrückt wird
    if cv2.waitKey(1) == ord("q"):
        break

# Ressourcen freigeben und Fenster schließen
cv2.destroyAllWindows()

Bewährte Vorgehensweisen bei der Verwendung von Raspberry Pi#

Es gibt einige bewährte Vorgehensweisen, mit denen du die Leistung von Raspberry Pi-Geräten maximieren kannst, auf denen YOLO26 läuft.

1. Eine SSD verwenden

   Wenn du Raspberry Pi rund um die Uhr verwendest, empfiehlt sich eine SSD als Systemlaufwerk, da eine SD-Karte fortlaufende Schreibvorgänge nicht aushält und beschädigt werden kann. Dank des integrierten PCIe-Anschlusses des Raspberry Pi 5 kannst du jetzt SSDs über einen Adapter wie die NVMe Base für Raspberry Pi 5 anschließen.

2. Ohne grafische Oberfläche flashen

   Beim Flashen von Raspberry Pi OS kannst du auf die Installation der Desktop-Umgebung verzichten (Raspberry Pi OS Lite). Dadurch sparst du etwas RAM auf dem Gerät und hast mehr Speicher für die Computer-Vision-Verarbeitung zur Verfügung.

3. Raspberry Pi übertakten

   Wenn du bei der Ausführung von Ultralytics YOLO26-Modellen auf Raspberry Pi 5 eine leichte Leistungssteigerung erzielen möchtest, kannst du die CPU von ihrer Basisfrequenz von 2.4GHz auf 3.0GHz und die GPU von 800MHz auf 1GHz übertakten. Wird das System instabil oder stürzt ab, verringere die Übertaktungswerte schrittweise um jeweils 100MHz. Sorge für ausreichende Kühlung, da beim Übertakten mehr Wärme entsteht und es zu thermischer Drosselung kommen kann.

   a. Software aktualisieren

   sudo apt update && sudo apt dist-upgrade

   b. Öffnen, um die Konfigurationsdatei zu bearbeiten

   sudo nano /boot/firmware/config.txt

   c. Die folgenden Zeilen am Ende hinzufügen

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. Mit CTRL + X und anschließend Y speichern und beenden, dann ENTER drücken

   e. Raspberry Pi neu starten

Nächste Schritte#

Du hast YOLO26 erfolgreich auf deinem Raspberry Pi eingerichtet. Als Nächstes kannst du den Predict-Modus erkunden, um weitere Inferenzoptionen kennenzulernen, den Export-Modus für zusätzliche Bereitstellungsformate nutzen oder den NVIDIA-Jetson-Leitfaden aufrufen, wenn du mehr Rechenleistung am Netzwerkrand benötigst. Die vollständige Dokumentation findest du in der Ultralytics-YOLO26-Dokumentation.

Danksagungen und Zitate#

Diese Anleitung wurde ursprünglich von Daan Eeltink für die Kashmir World Foundation erstellt, eine Organisation, die sich dem Einsatz von YOLO zum Schutz gefährdeter Arten widmet. Wir würdigen ihre Pionierarbeit und ihren Bildungsauftrag im Bereich der Objekterkennungstechnologien.

Weitere Informationen zu den Aktivitäten der Kashmir World Foundation findest du auf ihrer Website.

Häufig gestellte Fragen#