Coral Edge TPU on a Raspberry Pi with Ultralytics YOLO11 🚀

¿Qué es un borde de coral TPU?

The Coral Edge TPU is a compact device that adds an Edge TPU coprocessor to your system. It enables low-power, high-performance ML inference for TensorFlow Lite models. Read more at the Coral Edge TPU home page.

Observa: How to Run Inference on Raspberry Pi using Google Coral Edge TPU

Aumenta el rendimiento del modelo Raspberry Pi con Coral Edge TPU

Mucha gente quiere ejecutar sus modelos en un dispositivo embebido o móvil, como una Raspberry Pi, ya que consumen muy poca energía y pueden utilizarse en muchas aplicaciones diferentes. Sin embargo, el rendimiento de la inferencia en estos dispositivos suele ser pobre, incluso cuando se utilizan formatos como onnx o openvino. El Coral Edge TPU es una gran solución a este problema, ya que puede utilizarse con una Raspberry Pi y acelerar enormemente el rendimiento de la inferencia.

Edge TPU en Raspberry Pi con TensorFlow Lite (Nuevo)⭐

La guía existente de Coral sobre cómo utilizar Edge TPU con una Raspberry Pi está obsoleta, y las compilaciones actuales del tiempo de ejecución de Coral Edge TPU ya no funcionan con las versiones actuales del tiempo de ejecución TensorFlow Lite. Además, Google parece haber abandonado completamente el proyecto Coral, y no ha habido ninguna actualización entre 2021 y 2024. Esta guía te mostrará cómo conseguir que Edge TPU funcione con las últimas versiones del tiempo de ejecución TensorFlow Lite y un tiempo de ejecución actualizado de Coral Edge TPU en un ordenador monoplaca (SBC) Raspberry Pi.

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)
• Acelerador USB Coral
• A non-ARM based platform for exporting an Ultralytics PyTorch model

Guía de instalación

Esta guía asume que ya tienes una instalación operativa del SO Raspberry Pi y que has instalado ultralytics y todas las dependencias. Para obtener ultralytics instalado, visita la página guía de inicio rápido para configurarlo antes de continuar aquí.

Instalación del tiempo de ejecución Edge TPU

En primer lugar, tenemos que instalar el tiempo de ejecución de Edge TPU . Existen muchas versiones diferentes, por lo que debes elegir la versión adecuada para tu sistema operativo.

Descarga la última versión desde aquí.

Después de descargar el archivo, puedes instalarlo con el siguiente comando:

sudo dpkg -i path/to/package.deb

Después de instalar el tiempo de ejecución, tienes que conectar tu Coral Edge TPU a un puerto USB 3.0 de tu Raspberry Pi. Esto se debe a que, según la guía oficial, un nuevo udev tiene que entrar en vigor después de la instalación.

# 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 a un modelo compatible con Edge TPU

Para utilizar el Edge TPU, necesitas convertir tu modelo a un formato compatible. Se recomienda que ejecutes la exportación en Google Colab, en una máquina Linux x86_64, utilizando el contenedor Docker oficial Ultralytics , o utilizando Ultralytics HUB, ya que el compilador Edge TPU no está disponible en ARM. Consulta el Modo de Exportación para conocer 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")

yolo export model=path/to/model.pt format=edgetpu  # Export an official model or custom model

El modelo exportado se guardará en la carpeta <model_name>_saved_model/ con el nombre <model_name>_full_integer_quant_edgetpu.tflite.

Ejecutar el modelo

Después de exportar tu modelo, puedes ejecutar la inferencia con él utilizando el código siguiente:

from ultralytics import YOLO

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

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

yolo predict model=path/to/edgetpu_model.tflite source=path/to/source.png  # Load an official model or custom model

Encuentra información completa en la página Predecir para conocer todos los detalles del modo de predicción.

pip uninstall tensorflow tensorflow-aarch64

pip install -U tflite-runtime

PREGUNTAS FRECUENTES

What is a Coral Edge TPU and how does it enhance Raspberry Pi's performance with Ultralytics YOLO11?

The Coral Edge TPU is a compact device designed to add an Edge TPU coprocessor to your system. This coprocessor enables low-power, high-performance machine learning inference, particularly optimized for TensorFlow Lite models. When using a Raspberry Pi, the Edge TPU accelerates ML model inference, significantly boosting performance, especially for Ultralytics YOLO11 models. You can read more about the Coral Edge TPU on their home page.

¿Cómo instalo el tiempo de ejecución Coral Edge TPU en una Raspberry Pi?

Para instalar el tiempo de ejecución Coral Edge TPU en tu Raspberry Pi, descarga el programa adecuado .deb para tu versión del sistema operativo Raspberry Pi desde este enlace. Una vez descargado, utiliza el siguiente comando para instalarlo:

sudo dpkg -i path/to/package.deb

Asegúrate de desinstalar cualquier versión anterior del tiempo de ejecución de Coral Edge TPU siguiendo los pasos descritos en la sección Guía de instalación.

Can I export my Ultralytics YOLO11 model to be compatible with Coral Edge TPU?

Yes, you can export your Ultralytics YOLO11 model to be compatible with the Coral Edge TPU. It is recommended to perform the export on Google Colab, an x86_64 Linux machine, or using the Ultralytics Docker container. You can also use Ultralytics HUB for exporting. Here is how you can export your model using Python and CLI:

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")

yolo export model=path/to/model.pt format=edgetpu  # Export an official model or custom model

Para más información, consulta la documentación del Modo Exportación.

¿Qué debo hacer si TensorFlow ya está instalado en mi Raspberry Pi pero quiero utilizar tflite-runtime en su lugar?

Si tienes TensorFlow instalado en tu Raspberry Pi y necesitas cambiar a tflite-runtime, tendrás que desinstalar primero TensorFlow utilizando:

pip uninstall tensorflow tensorflow-aarch64

A continuación, instala o actualiza tflite-runtime con el siguiente comando:

pip install -U tflite-runtime

Para una rueda concreta, como TensorFlow 2.15.0 tflite-runtimepuedes descargarlo de este enlace e instálalo utilizando pip. Encontrarás instrucciones detalladas en la sección sobre la ejecución del modelo Ejecutar el modelo.

How do I run inference with an exported YOLO11 model on a Raspberry Pi using the Coral Edge TPU?

After exporting your YOLO11 model to an Edge TPU-compatible format, you can run inference using the following code snippets:

from ultralytics import YOLO

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

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

yolo predict model=path/to/edgetpu_model.tflite source=path/to/source.png  # Load an official model or custom model

Puedes encontrar información detallada sobre todas las funciones del modo de predicción en la Página de Predicción.

📅 Created 8 months ago ✏️ Updated 12 days ago

Comentarios