Cómo ejecutar Ultralytics YOLO26 en una Raspberry Pi con Coral Edge TPU#

Una Raspberry Pi es una plataforma asequible y de bajo consumo para ejecutar visión artificial en el edge, pero la inferencia en el dispositivo es lenta incluso con formatos optimizados como ONNX u OpenVINO. Al conectar la Pi a un coprocesador Coral Edge TPU, se descarga la inferencia en hardware especializado y se acelera notablemente. Esta guía explica cómo instalar el entorno de ejecución, exportar un modelo Ultralytics YOLO26 al formato Edge TPU y ejecutar inferencias aceleradas.

¿Por qué usar Coral Edge TPU?#

Coral Edge TPU es un dispositivo compacto que añade un coprocesador Edge TPU a tu sistema y permite ejecutar inferencias de ML de alto rendimiento y bajo consumo con modelos TensorFlow Lite. Es una opción excelente para despliegues integrados y móviles en los que una CPU por sí sola no da abasto:

• Inferencia más rápida — Edge TPU acelera los modelos cuantizados mucho más de lo que puede conseguir por sí sola la CPU de Raspberry Pi.
• Bajo consumo — ofrece un alto rendimiento por vatio, ideal para despliegues alimentados por batería o energía solar.
• Conectar y listo — el Acelerador USB se conecta mediante USB 3.0, así que no hace falta integrar hardware adicional.

Requisitos previos#

• Raspberry Pi 4B (se recomiendan 2 GB o más) o Raspberry Pi 5 (recomendada)
• Raspberry Pi OS Bullseye/Bookworm (64 bits) con escritorio (recomendado)
• Coral USB Accelerator
• Una plataforma Linux x86_64 (Google Colab, un equipo Linux x86_64 o el contenedor Docker de Ultralytics en un host x86_64) para exportar el modelo, ya que el compilador Edge TPU solo está disponible en Linux x86_64

Esta guía presupone que ya tienes instalada una versión funcional de Raspberry Pi OS con ultralytics y sus dependencias. Si no es así, sigue primero la guía de inicio rápido.

Una vez tengas todo lo necesario, el flujo de trabajo consta de tres pasos: instalar el entorno de ejecución Edge TPU en la Pi, exportar el modelo en un equipo Linux x86_64 y ejecutar la inferencia de nuevo en la Pi.

Instala el entorno de ejecución Edge TPU#

El entorno de ejecución se distribuye en varias compilaciones; elige la que corresponda a tu sistema operativo. La compilación de alta frecuencia ejecuta Edge TPU a una velocidad de reloj mayor para mejorar el rendimiento, pero puede provocar limitación térmica: si la eliges, utiliza algún sistema de refrigeración.

Descarga aquí la versión más reciente y, después, instala el paquete .deb:

sudo dpkg -i path/to/package.deb

Después de instalar el entorno de ejecución, conecta Coral Edge TPU a un puerto USB 3.0 de la Raspberry Pi para que se aplique la nueva regla udev.

# If you installed the standard version
sudo apt remove libedgetpu1-std

# If you installed the high-frequency version
sudo apt remove libedgetpu1-max

Exporta tu modelo al formato Edge TPU#

Para usar Edge TPU, convierte el modelo a un formato compatible. Ejecuta la exportación en Linux x86_64 —Google Colab, un equipo Linux x86_64, el contenedor Docker oficial de Ultralytics en un host x86_64 o Ultralytics Platform—, ya que el compilador Edge TPU solo está disponible en Linux x86_64. Consulta el modo de exportación para ver los argumentos disponibles.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/model.pt")  # Carga un modelo oficial o un modelo personalizado

# Exporta el modelo
model.export(format="edgetpu")

El modelo exportado se guarda en la carpeta <model_name>_saved_model/ como <model_name>_full_integer_quant_edgetpu.tflite.

Ejecuta inferencias en Edge TPU#

Antes de ejecutar el modelo, instala las bibliotecas adecuadas en la Raspberry Pi. Si ya está instalado TensorFlow, desinstálalo primero:

pip uninstall tensorflow tensorflow-aarch64

A continuación, instala o actualiza tflite-runtime:

pip install -U tflite-runtime

Ahora puedes ejecutar inferencias:

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/yolo26n_full_integer_quant_edgetpu.tflite")  # Carga un modelo oficial o un modelo personalizado

# Ejecuta una predicción
model.predict("path/to/source.png")

Encontrarás todos los detalles del modo de predicción en la página Predicción.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/yolo26n_full_integer_quant_edgetpu.tflite")  # Carga un modelo oficial o un modelo personalizado

# Ejecuta una predicción
model.predict("path/to/source.png")  # La inferencia utiliza por defecto el primer TPU

model.predict("path/to/source.png", device="tpu:0")  # Selecciona el primer TPU

model.predict("path/to/source.png", device="tpu:1")  # Selecciona el segundo TPU

Pruebas de rendimiento#

Las cifras siguientes se han medido con Raspberry Pi OS Bookworm de 64 bits y un Coral Edge TPU USB. Muestran únicamente el tiempo de inferencia (sin incluir el preprocesamiento ni el posprocesamiento) y sirven como referencia relativa de la aceleración que aporta Edge TPU en los distintos modelos y modos de Pi.

De media:

• La Raspberry Pi 5 es un 22 % más rápida que la Raspberry Pi 4B en el modo estándar.
• La Raspberry Pi 5 es un 30,2 % más rápida que la Raspberry Pi 4B en el modo de alta frecuencia.
• El modo de alta frecuencia es un 28,4 % más rápido que el modo estándar.

Conclusión#

Coral Edge TPU convierte una Raspberry Pi en un dispositivo de inferencia potente y de bajo consumo para Ultralytics YOLO26. Exporta el modelo en un equipo Linux x86_64, conserva el sufijo _edgetpu.tflite y ejecútalo con tflite-runtime en la Pi para obtener inferencia acelerada en el edge. Para ver más opciones de despliegue, consulta la guía de Raspberry Pi.

Preguntas frecuentes#