Schnellstartanleitung: Raspberry Pi mit Ultralytics YOLO26#

Raspberry Pi ist ein kleiner, erschwinglicher Computer, auf dem Ultralytics YOLO26 für Echtzeit-Objekterkennung am Edge ausgeführt wird – ganz ohne GPU. Diese Anleitung führt dich durch die Bereitstellung von YOLO26 auf Raspberry Pi 4 und 5: das Flashen des Betriebssystems, die Installation von Ultralytics, das Exportieren nach NCNN für die schnellste Inferenz auf ARM sowie das Ausführen von Vorhersagen auf einem Live-Kamerastream. Sie enthält außerdem Leistungsbenchmarks über acht Exportformate hinweg, damit du den besten Kompromiss aus Geschwindigkeit und Genauigkeit für deine Hardware auswählen kannst.

Springe zu Einrichtung von Ultralytics, Export nach NCNN und Ausführen der Inferenz, Benchmarks oder Kamerainferenz.

Was ist ein Raspberry Pi?#

Raspberry Pi ist ein kleiner, erschwinglicher Einplatinencomputer. Er ist für eine Vielzahl von Projekten und Anwendungen beliebt geworden, von der Heimautomatisierung für Bastler bis hin zu industriellen Einsatzzwecken. Raspberry Pi-Boards können verschiedene Betriebssysteme ausführen und bieten GPIO-Pins (General Purpose Input/Output), die eine einfache Integration mit Sensoren, Aktoren und anderen Hardwarekomponenten ermöglichen. Es gibt sie in verschiedenen Modellen mit unterschiedlichen Spezifikationen, aber sie alle teilen dieselbe grundlegende Designphilosophie: kostengünstig, kompakt und vielseitig.

Vergleich der Raspberry Pi-Serie#

Was ist Raspberry Pi OS?#

Raspberry Pi OS (früher bekannt als Raspbian) ist ein Unix-ähnliches Betriebssystem basierend auf der Debian GNU/Linux-Distribution für die Raspberry Pi-Familie kompakter Einplatinencomputer, die von der Raspberry Pi Foundation vertrieben werden. Raspberry Pi OS ist hochgradig für den Raspberry Pi mit ARM-CPUs optimiert und verwendet eine modifizierte LXDE-Desktop-Umgebung mit dem Openbox-Stacking-Fenstermanager. Raspberry Pi OS befindet sich in aktiver Entwicklung, mit dem Schwerpunkt, die Stabilität und Leistung so vieler Debian-Pakete wie möglich auf dem Raspberry Pi zu verbessern.

Raspberry Pi OS auf Raspberry Pi flashen#

Das Erste, was du tun musst, wenn du einen Raspberry Pi in den Händen hältst, ist, eine Mikro-SD-Karte mit Raspberry Pi OS zu flashen, sie in das Gerät einzustecken und das Betriebssystem zu starten. Folge der detaillierten 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 Wegen für dein nächstes Computer Vision-Projekt einrichten:

• Mit Docker starten
• Ohne Docker starten

Mit Docker starten#

Der schnellste Weg, um mit Ultralytics YOLO26 auf dem Raspberry Pi zu starten, ist die Verwendung eines vorgefertigten Docker-Images für den Raspberry Pi.

Führe den folgenden Befehl aus, um den Docker-Container herunterzuladen und auf dem Raspberry Pi auszuführen. Dies basiert auf dem Docker-Image arm64v8/ubuntu, 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 zum Exportieren deines Modells nach NCNN übergehen kannst.

Ohne Docker starten#

Ultralytics-Paket installieren#

Hier installieren wir das Ultralytics-Paket auf dem Raspberry Pi mit optionalen Abhängigkeiten, damit wir die PyTorch-Modelle in andere Formate exportieren können.

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. Installiere das ultralytics-pip-Paket mit optionalen Abhängigkeiten

   pip install ultralytics[export]

3. Gerät neu starten

   sudo reboot

NCNN auf Raspberry Pi verwenden#

Von allen von Ultralytics unterstützten Modell-Exportformaten liefert NCNN die beste Inferenzleistung auf Raspberry Pi-Geräten, da es für mobile und eingebettete Plattformen wie die ARM-Architektur hochgradig optimiert ist. Konvertiere dein YOLO26n PyTorch-Modell nach NCNN und führe dann die Inferenz mit dem exportierten Modell 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")

YOLO26 Leistungsverbesserungen gegenüber YOLO11#

YOLO26 wurde speziell für den Betrieb auf hardwarebeschränkten Geräten wie dem Raspberry Pi 5 entwickelt. Im Vergleich zu YOLO11n erreicht YOLO26n eine Steigerung der FPS um ca. 15 % (6,79 → 7,79) und liefert gleichzeitig eine höhere mAP (40,1 vs 39,5) bei einer Eingabegröße von 640 mit ONNX-exportierten Modellen auf dem Raspberry Pi 5. Die Tabelle und das Diagramm unten zeigen diesen Vergleich.

Raspberry Pi 5 YOLO26 Benchmarks#

YOLO26-Benchmarks wurden vom Ultralytics-Team für acht verschiedene Modellformate durchgeführt, bei denen Geschwindigkeit und Genauigkeit gemessen wurden: PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT. Die Benchmarks wurden auf einem Raspberry Pi 5 bei FP32-Präzision mit einer Standard-Eingabebildgröße von 640 ausgeführt.

Vergleichsdiagramm#

Wir haben nur Benchmarks für YOLO26n- und YOLO26s-Modelle aufgenommen, da andere Modellgrößen zu groß sind, um auf den Raspberry Pis ausgeführt zu werden, und keine angemessene Leistung bieten.

Detaillierte Vergleichstabelle#

Die folgende Tabelle zeigt die Benchmark-Ergebnisse für zwei verschiedene Modelle (YOLO26n, YOLO26s) über acht verschiedene Formate (PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT) auf einem Raspberry Pi 5. Sie gibt den Status, die Größe, die mAP50-95(B)-Metrik und die Inferenzzeit für jede Kombination an.

Unsere Ergebnisse reproduzieren#

Um die obigen 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#

Wenn du den Raspberry Pi für Computer Vision-Projekte verwendest, kann es unerlässlich sein, Echtzeit-Videostreams abzugreifen, um Inferenzen durchzuführen. Der integrierte MIPI-CSI-Anschluss des Raspberry Pi ermöglicht den Anschluss offizieller Raspberry Pi-Kameramodule. In diesem Leitfaden haben wir ein Raspberry Pi Camera Module 3 verwendet, um die Videostreams abzugreifen und Inferenzen mit YOLO26-Modellen durchzuführen.

Kamera testen#

Führe den folgenden Befehl aus, nachdem du die Kamera an den Raspberry Pi angeschlossen hast. Du solltest etwa 5 Sekunden lang einen Live-Video-Feed von der Kamera sehen.

rpicam-hello

Inferenz mit der Kamera#

Es gibt zwei Methoden, die Raspberry Pi Kamera zu verwenden, um eine Inferenz auf YOLO26-Modellen auszuführen.

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 Methoden für den Einsatz des Raspberry Pi#

Es gibt einige bewährte Methoden, die du befolgen solltest, um auf einem Raspberry Pi mit YOLO26 die maximale Leistung zu erzielen.

1. Verwende eine SSD

   Wenn du den Raspberry Pi für den Dauereinsatz rund um die Uhr nutzt, wird empfohlen, eine SSD für das System zu verwenden, da eine SD-Karte kontinuierlichen Schreibvorgängen nicht standhalten kann und möglicherweise beschädigt wird. Mit dem integrierten PCIe-Anschluss des Raspberry Pi 5 kannst du jetzt SSDs über einen Adapter wie die NVMe Base für Raspberry Pi 5 anschließen.

2. Installation ohne GUI

   Wenn du Raspberry Pi OS flashst, kannst du wählen, keine Desktop-Umgebung (Raspberry Pi OS Lite) zu installieren; dies spart etwas Arbeitsspeicher auf dem Gerät und lässt mehr Platz für Computer-Vision-Prozesse.

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 ihrer Basis-Taktfrequenz von 2,4 GHz auf 2,9 GHz und die GPU von 800 MHz auf 1 GHz übertakten. Wenn das System instabil wird oder abstürzt, reduziere die Übertaktungswerte in 100-MHz-Schritten. Sorge für eine ausreichende Kühlung, da Übertaktung die Wärmeentwicklung erhöht und zu thermischer Drosselung (Thermal Throttling) führen kann.

   a. Software aktualisieren

   sudo apt update && sudo apt dist-upgrade

   b. Konfigurationsdatei zum Bearbeiten öffnen

   sudo nano /boot/firmware/config.txt

   c. Die folgenden Zeilen am Ende hinzufügen

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. Speichern und beenden durch Drücken von STRG + X, dann Y und anschließend EINGABE

   e. Den Raspberry Pi neu starten

Nächste Schritte#

Du hast YOLO26 erfolgreich auf deinem Raspberry Pi eingerichtet. Erkunde für weitere Schritte den Vorhersagemodus für zusätzliche Inferenzoptionen, den Exportmodus für weitere Bereitstellungsformate oder den NVIDIA Jetson-Leitfaden, wenn du mehr Rechenleistung am Edge benötigst. Besuche für die vollständige Dokumentation die Ultralytics YOLO26-Dokumentation.

Danksagungen und Quellenangaben#

Dieser Leitfaden wurde ursprünglich von Daan Eeltink für die Kashmir World Foundation erstellt, eine Organisation, die sich dem Einsatz von YOLO für den Schutz gefährdeter Arten widmet. Wir würdigen ihre Pionierarbeit und ihren pädagogischen Fokus im Bereich der Objekterkennungstechnologien.

Weitere Informationen über die Aktivitäten der Kashmir World Foundation findest du auf deren Website.

FAQ#