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

Una Raspberry Pi es una plataforma económica y de bajo consumo para ejecutar visión por computadora en el borde, pero la inferencia en el dispositivo es lenta incluso con formatos optimizados como ONNX o OpenVINO. Combinar la Pi con un coprocesador Coral Edge TPU descarga la inferencia en hardware dedicado y la acelera drásticamente. Esta guía te muestra cómo instalar el entorno de ejecución, exportar un modelo de Ultralytics YOLO26 al formato Edge TPU y ejecutar inferencia acelerada.

¿Por qué utilizar un Coral Edge TPU?#

El Coral Edge TPU es un dispositivo compacto que añade un coprocesador Edge TPU a tu sistema, permitiendo una inferencia de ML de alto rendimiento y bajo consumo para modelos TensorFlow Lite. Es ideal para implementaciones integradas y móviles donde una CPU por sí sola no es suficiente:

• Inferencia más rápida — el Edge TPU acelera los modelos cuantizados mucho más allá de lo que logra la CPU de la Raspberry Pi por sí sola.
• Bajo consumo de energía — ofrece un alto rendimiento por vatio, ideal para implementaciones alimentadas por baterías o energía solar.
• Plug-and-play — el USB Accelerator se conecta mediante USB 3.0, por lo que no se requiere integración de hardware adicional.

Requisitos previos#

• Raspberry Pi 4B (se recomiendan 2 GB o más) o Raspberry Pi 5 (Recomendado)
• Raspberry Pi OS Bullseye/Bookworm (64 bits) con escritorio (Recomendado)
• Coral USB Accelerator
• Una plataforma que no sea ARM (Google Colab, una máquina Linux x86_64 o el contenedor Docker de Ultralytics) para exportar el modelo, ya que el compilador de Edge TPU no está disponible en ARM

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

Con los requisitos previos listos, el flujo de trabajo consta de tres pasos: instalar el entorno de ejecución de Edge TPU en la Pi, exportar tu modelo en una máquina que no sea ARM y ejecutar la inferencia de vuelta en la Pi.

Instalar el tiempo de ejecución de Edge TPU#

El tiempo de ejecución viene en varias versiones, así que elige la que coincida con tu sistema operativo. La versión de alta frecuencia ejecuta el Edge TPU a una velocidad de reloj más alta para un mejor rendimiento, pero puede causar estrangulamiento térmico; usa algún tipo de refrigeración si la eliges.

Descarga la versión más reciente desde aquí y luego instala el paquete .deb:

sudo dpkg -i path/to/package.deb

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

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

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

Exportar tu modelo al formato Edge TPU#

Para usar la Edge TPU, convierte tu modelo a un formato compatible. Ejecuta la exportación en una plataforma que no sea ARM — Google Colab, una máquina Linux x86_64, el contenedor Docker de Ultralytics oficial o Ultralytics Platform —, ya que el compilador de Edge TPU no está disponible en ARM. Consulta el modo Exportar para ver los argumentos disponibles.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

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

Ejecutar inferencia en el Edge TPU#

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

pip uninstall tensorflow tensorflow-aarch64

Luego instala o actualiza tflite-runtime:

pip install -U tflite-runtime

Ahora puedes ejecutar la inferencia:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

Encuentra todos los detalles sobre el modo de predicción en la página Predict.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")  # Inference defaults to the first TPU

model.predict("path/to/source.png", device="tpu:0")  # Select the first TPU

model.predict("path/to/source.png", device="tpu:1")  # Select the second TPU

Benchmarks#

Las cifras a continuación se midieron con Raspberry Pi OS Bookworm de 64 bits y un USB Coral Edge TPU. Muestran solo el tiempo de inferencia (excluyendo pre/postprocesamiento) y sirven como referencia relativa para la aceleración que proporciona el Edge TPU en los modelos y modos de la Pi.

En promedio:

• La Raspberry Pi 5 es un 22% más rápida con el modo estándar que la Raspberry Pi 4B.
• La Raspberry Pi 5 es un 30.2% más rápida con el modo de alta frecuencia que la Raspberry Pi 4B.
• El modo de alta frecuencia es un 28.4% más rápido que el modo estándar.

Conclusión#

Una Coral Edge TPU convierte una Raspberry Pi en un dispositivo de inferencia potente y de bajo consumo para Ultralytics YOLO26. Exporta tu modelo en una máquina que no sea ARM, mantén el sufijo _edgetpu.tflite y ejecútalo con tflite-runtime en la Pi para obtener inferencia de borde acelerada. Para más opciones de despliegue, consulta la guía de Raspberry Pi.

FAQ#