Schnellstartanleitung: Raspberry Pi mit Ultralytics YOLO26#

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

Springe zu Ultralytics einrichten, nach NCNN exportieren und Inferenz ausführen, Benchmarks oder Kamerainferenz.

Was ist Raspberry Pi?#

Raspberry Pi ist ein kleiner, kostengünstiger Einplatinencomputer. Er ist für eine Vielzahl von Projekten und Anwendungen beliebt geworden – von der Heimautomatisierung für Hobbyanwender bis hin zu industriellen Einsatzzwecken. Raspberry-Pi-Boards können verschiedene Betriebssysteme ausführen und verfügen über GPIO-Pins (allgemeine Ein-/Ausgabe), die eine einfache Integration von Sensoren, Aktoren und anderen Hardwarekomponenten ermöglichen. Es gibt sie in unterschiedlichen Modellen mit verschiedenen Spezifikationen, aber allen gemeinsam ist das Grundprinzip eines kostengünstigen, kompakten und vielseitigen Geräts.

Vergleich der Raspberry-Pi-Serie#

Was ist Raspberry Pi OS?#

Raspberry Pi OS (früher Raspbian) ist ein Unix-ähnliches Betriebssystem, das auf der Debian-GNU/Linux-Distribution für die von der Raspberry Pi Foundation vertriebene Familie kompakter Einplatinencomputer basiert. Raspberry Pi OS ist für den Raspberry Pi mit ARM-CPUs stark optimiert und verwendet eine angepasste LXDE-Desktopumgebung mit dem Stapelfenstermanager Openbox. Raspberry Pi OS wird aktiv weiterentwickelt, wobei der Schwerpunkt darauf liegt, die Stabilität und Leistung möglichst vieler Debian-Pakete auf dem Raspberry Pi zu verbessern.

Raspberry Pi OS auf den Raspberry Pi aufspielen#

Nachdem du einen Raspberry Pi erhalten hast, spielst du zunächst Raspberry Pi OS auf eine microSD-Karte auf, setzt sie in das Gerät ein und startest das Betriebssystem. Folge der ausführlichen Erste-Schritte-Dokumentation von Raspberry Pi, um dein Gerät für die erste Verwendung vorzubereiten.

Ultralytics einrichten#

Du kannst das Ultralytics-Paket auf dem Raspberry Pi auf zwei Arten für dein nächstes Computer-Vision-Projekt einrichten:

• Mit Docker starten
• Ohne Docker starten

Mit Docker starten#

Am schnellsten startest du mit Ultralytics YOLO26 auf dem Raspberry Pi, indem du ein vorgefertigtes Docker-Image für Raspberry Pi ausführst.

Führe den folgenden Befehl aus, um den Docker-Container abzurufen und auf dem Raspberry Pi auszuführen. Er basiert auf dem arm64v8/ubuntu-Docker-Image, das Ubuntu 24.04 in einer Python3-Umgebung ausführt.

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 fortfahren kannst.

Ohne Docker starten#

Ultralytics-Paket installieren#

Hier installieren wir das Ultralytics-Paket auf dem Raspberry Pi. Exportabhängigkeiten für Formate wie NCNN werden automatisch beim ersten Export eines PyTorch-Modells installiert, sodass hier nur das Basispaket benötigt wird.

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

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

2. ultralytics-Paket mit pip installieren

   pip install ultralytics

3. Gerät neu starten

   sudo reboot

NCNN auf dem Raspberry Pi verwenden#

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

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo26n_ncnn_model")

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

Leistungsverbesserungen von YOLO26 gegenüber YOLO11#

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

YOLO26-Benchmarks auf dem Raspberry Pi 5#

Die YOLO26-Benchmarks wurden vom Ultralytics-Team mit acht verschiedenen Modellausgabeformaten durchgeführt, um Geschwindigkeit und Genauigkeit zu messen: PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch und LiteRT. Die Benchmarks wurden auf einem Raspberry Pi 5 mit FP32-Genauigkeit und der standardmäßigen Eingabebildgröße 640 durchgeführt.

Vergleichsdiagramm#

Wir haben nur Benchmarks für die Modelle YOLO26n und YOLO26s aufgenommen, da die anderen Modellgrößen zu groß für die Ausführung auf Raspberry Pis 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, MNN, NCNN, ExecuTorch, LiteRT), die auf einem Raspberry Pi 5 ausgeführt wurden. Für jede Kombination werden Status, Größe, die mAP50-95(B)-Metrik und die Inferenzzeit angegeben.

Unsere Ergebnisse reproduzieren#

Um die oben genannten Ultralytics-Benchmarks für alle Exportformate zu reproduzieren, führe diesen Code aus:

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Benchmark YOLO26n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml", imgsz=640)

Raspberry-Pi-Kamera verwenden#

Bei Computer-Vision-Projekten mit Raspberry Pi kann es entscheidend sein, Videostreams in Echtzeit abzurufen, um Inferenz auszuführen. Der integrierte MIPI-CSI-Anschluss des Raspberry Pi ermöglicht den Anschluss offizieller Raspberry-Pi-Kameramodule. In dieser Anleitung verwenden wir ein Raspberry Pi Camera Module 3, um Videostreams abzurufen und mit YOLO26-Modellen Inferenz auszuführen.

Kamera testen#

Führe den folgenden Befehl aus, nachdem du die Kamera mit dem Raspberry Pi verbunden hast. Du solltest etwa 5 Sekunden lang einen Live-Videostream der Kamera sehen.

rpicam-hello

Inferenz mit der Kamera#

Es gibt zwei Methoden, um die Raspberry Pi Camera für die Inferenz mit YOLO26-Modellen zu verwenden.

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 YOLO26 model
model = YOLO("yolo26n.pt")

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

    # Run YOLO26 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()

Bewährte Vorgehensweisen bei der Verwendung von Raspberry Pi#

Für maximale Leistung auf Raspberry Pis, auf denen YOLO26 ausgeführt wird, solltest du einige bewährte Vorgehensweisen beachten.

1. Eine SSD verwenden

   Bei einem kontinuierlichen 24/7-Betrieb des Raspberry Pi empfiehlt es sich, für das System eine SSD zu verwenden, da eine SD-Karte fortlaufende Schreibvorgänge nicht dauerhaft verkraftet und ausfallen kann. Über den integrierten PCIe-Anschluss des Raspberry Pi 5 kannst du jetzt SSDs mit einem Adapter wie der NVMe Base für Raspberry Pi 5 anschließen.

2. Ohne grafische Oberfläche aufspielen

   Beim Aufspielen von Raspberry Pi OS kannst du auf die Installation der Desktopumgebung verzichten (Raspberry Pi OS Lite). Dadurch lässt sich etwas RAM auf dem Gerät einsparen, sodass mehr Speicher für die Computer-Vision-Verarbeitung zur Verfügung steht.

3. Raspberry Pi übertakten

   Wenn du beim Ausführen von Ultralytics YOLO26-Modellen auf dem Raspberry Pi 5 einen kleinen Leistungsschub möchtest, kannst du die CPU von den standardmäßigen 2,4 GHz auf 3,0 GHz und die GPU von 800 MHz auf 1 GHz übertakten. Wenn das System instabil wird oder abstürzt, reduziere die Übertaktungswerte in Schritten von 100 MHz. Stelle sicher, dass eine ordnungsgemäße Kühlung vorhanden ist, da das Übertakten die Hitzeentwicklung erhöht und zu thermischem Drosseln führen kann.

   a. Software aktualisieren

   sudo apt update && sudo apt dist-upgrade

   b. Konfigurationsdatei zum Bearbeiten öffnen

   sudo nano /boot/firmware/config.txt

   c. Folgende Zeilen am Ende hinzufügen

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. Durch Drücken von CTRL + X, anschließend Y und ENTER speichern und beenden

   e. Raspberry Pi neu starten

Nächste Schritte#

Du hast YOLO26 erfolgreich auf deinem Raspberry Pi eingerichtet. Für weitere Möglichkeiten kannst du den Vorhersagemodus für zusätzliche Inferenzoptionen, den Exportmodus für weitere Bereitstellungsformate oder die Anleitung zu NVIDIA Jetson erkunden, wenn du mehr Rechenleistung am Edge benötigst. Die vollständige Dokumentation findest du in der Ultralytics-YOLO26-Dokumentation.

Danksagungen und Quellenangaben#

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 Bildungsfokus im Bereich der Technologien zur Objekterkennung.

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

FAQ#