Guía de inicio rápido: Raspberry Pi con Ultralytics YOLO26#

Raspberry Pi es un ordenador pequeño y asequible que ejecuta Ultralytics YOLO26 para la detección de objetos en tiempo real en el edge, sin necesidad de GPU. Esta guía te explica cómo implementar YOLO26 en Raspberry Pi 4 y 5: grabar el sistema operativo, instalar Ultralytics, exportar a NCNN para obtener la inferencia más rápida en ARM y ejecutar predicciones con una transmisión de cámara en directo. También incluye pruebas de rendimiento en ocho formatos de exportación para que puedas elegir el mejor equilibrio entre velocidad y precisión para tu hardware.

Ve directamente a configurar Ultralytics, exportar a NCNN y ejecutar inferencias, consultar las pruebas de rendimiento o realizar inferencias con la cámara.

¿Qué es Raspberry Pi?#

Raspberry Pi es un ordenador pequeño, asequible y de placa única. Se ha hecho popular para una amplia variedad de proyectos y aplicaciones, desde la domótica para aficionados hasta usos industriales. Las placas Raspberry Pi pueden ejecutar diversos sistemas operativos y ofrecen pines GPIO (Entrada/salida de propósito general) que permiten integrarlas fácilmente con sensores, actuadores y otros componentes de hardware. Existen distintos modelos con especificaciones diferentes, pero todos comparten la misma filosofía de diseño básica: bajo coste, tamaño compacto y versatilidad.

Comparativa de la serie Raspberry Pi#

¿Qué es Raspberry Pi OS?#

Raspberry Pi OS (anteriormente conocido como Raspbian) es un sistema operativo tipo Unix basado en la distribución Debian GNU/Linux para la familia Raspberry Pi de ordenadores compactos de placa única, distribuidos por la Raspberry Pi Foundation. Raspberry Pi OS está altamente optimizado para Raspberry Pi con CPU ARM y utiliza un entorno de escritorio LXDE modificado con el gestor de ventanas de apilamiento Openbox. Raspberry Pi OS se encuentra en desarrollo activo, con especial atención a mejorar la estabilidad y el rendimiento del mayor número posible de paquetes de Debian en Raspberry Pi.

Graba Raspberry Pi OS en Raspberry Pi#

Lo primero que debes hacer después de conseguir una Raspberry Pi es grabar una tarjeta micro-SD con Raspberry Pi OS, insertarla en el dispositivo e iniciar el sistema operativo. Sigue la documentación detallada de introducción de Raspberry Pi para preparar tu dispositivo para el primer uso.

Configura Ultralytics#

Puedes configurar el paquete Ultralytics en Raspberry Pi de dos formas para tu próximo proyecto de visión artificial:

• Empezar con Docker
• Empezar sin Docker

Empezar con Docker#

La forma más rápida de empezar a utilizar Ultralytics YOLO26 en Raspberry Pi es ejecutar una imagen de Docker precompilada para Raspberry Pi.

Ejecuta el siguiente comando para descargar el contenedor de Docker y ejecutarlo en Raspberry Pi. Se basa en la imagen de Docker arm64v8/ubuntu, que ejecuta Ubuntu 24.04 en un entorno Python3.

t=ultralytics/ultralytics:latest-arm64
sudo docker pull $t && sudo docker run -it --ipc=host $t

La imagen de Docker ya incluye Ultralytics, así que puedes pasar directamente a exportar tu modelo a NCNN.

Empezar sin Docker#

Instalar el paquete de Ultralytics#

Aquí instalaremos el paquete Ultralytics en Raspberry Pi. Las dependencias de exportación para formatos como NCNN se instalan automáticamente la primera vez que exportas un modelo PyTorch, por lo que aquí solo necesitas el paquete base.

1. Actualizar la lista de paquetes, instalar pip y actualizarlo a la última versión

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

2. Instalar el paquete pip ultralytics

   pip install ultralytics

3. Reiniciar el dispositivo

   sudo reboot

Usa NCNN en Raspberry Pi#

De todos los formatos de exportación de modelos compatibles con Ultralytics, NCNN ofrece el mejor rendimiento de inferencia en dispositivos Raspberry Pi, ya que está altamente optimizado para plataformas móviles/embebidas, como la arquitectura ARM. Convierte tu modelo YOLO26n de PyTorch a NCNN y ejecuta después la inferencia con el modelo exportado:

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")

Mejoras de rendimiento de YOLO26 con respecto a YOLO11#

YOLO26 está diseñado específicamente para ejecutarse en dispositivos con recursos limitados, como Raspberry Pi 5. En comparación con YOLO11n, YOLO26n logra un aumento de ~15 % en FPS (6.79 → 7.79) y ofrece un mAP superior (40.1 frente a 39.5) con un tamaño de entrada de 640 y modelos exportados a ONNX en Raspberry Pi 5. La tabla y el gráfico siguientes muestran esta comparación.

Pruebas de rendimiento de YOLO26 en Raspberry Pi 5#

Las pruebas de rendimiento de YOLO26 fueron realizadas por el equipo de Ultralytics en ocho formatos de modelo diferentes, midiendo la velocidad y la precisión: PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch y LiteRT. Las pruebas se realizaron en una Raspberry Pi 5 con precisión FP32 y el tamaño de imagen de entrada predeterminado de 640.

Gráfico comparativo#

Solo hemos incluido las pruebas de rendimiento de los modelos YOLO26n y YOLO26s porque los demás tamaños de modelo son demasiado grandes para ejecutarse en Raspberry Pi y no ofrecen un rendimiento adecuado.

Tabla comparativa detallada#

La tabla siguiente representa los resultados de las pruebas de rendimiento de dos modelos diferentes (YOLO26n y YOLO26s) en ocho formatos distintos (PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch y LiteRT), ejecutados en una Raspberry Pi 5, y muestra el estado, el tamaño, la métrica mAP50-95(B) y el tiempo de inferencia de cada combinación.

Reproduce nuestros resultados#

Para reproducir las pruebas de rendimiento de Ultralytics anteriores en todos los formatos de exportación, ejecuta este código:

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)

Usa la cámara de Raspberry Pi#

Al utilizar Raspberry Pi en proyectos de visión artificial, puede ser esencial capturar transmisiones de vídeo en tiempo real para realizar inferencias. El conector MIPI CSI integrado en Raspberry Pi permite conectar módulos de cámara oficiales de Raspberry Pi. En esta guía hemos utilizado un Raspberry Pi Camera Module 3 para capturar las transmisiones de vídeo y realizar inferencias con modelos YOLO26.

Prueba la cámara#

Ejecuta el siguiente comando después de conectar la cámara a Raspberry Pi. Deberías ver una transmisión de vídeo en directo de la cámara durante unos 5 segundos.

rpicam-hello

Inferencia con la cámara#

Hay dos métodos para utilizar la cámara de Raspberry Pi y ejecutar inferencias con modelos YOLO26.

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()

Buenas prácticas al utilizar Raspberry Pi#

Hay un par de buenas prácticas que debes seguir para obtener el máximo rendimiento en Raspberry Pi con YOLO26.

1. Usa un SSD

   Si utilizas Raspberry Pi de forma continua las 24 horas del día, los 7 días de la semana, se recomienda usar un SSD para el sistema, ya que una tarjeta SD no podrá soportar escrituras continuas y podría averiarse. Gracias al conector PCIe integrado en Raspberry Pi 5, ahora puedes conectar SSD mediante un adaptador como el NVMe Base para Raspberry Pi 5.

2. Graba el sistema sin GUI

   Al grabar Raspberry Pi OS, puedes optar por no instalar el entorno de escritorio (Raspberry Pi OS Lite), lo que puede ahorrar algo de RAM en el dispositivo y dejar más espacio para el procesamiento de visión artificial.

3. Haz overclocking en Raspberry Pi

   Si quieres un pequeño impulso en el rendimiento al ejecutar modelos de Ultralytics YOLO26 en Raspberry Pi 5, puedes hacer overclocking en la CPU desde sus 2,4 GHz base hasta 3,0 GHz y en la GPU desde 800 MHz hasta 1 GHz. Si el sistema se vuelve inestable o se bloquea, reduce los valores de overclocking en incrementos de 100 MHz. Asegúrate de contar con una refrigeración adecuada, ya que el overclocking aumenta la generación de calor y puede provocar estrangulamiento térmico.

   a. Actualiza el software

   sudo apt update && sudo apt dist-upgrade

   b. Abre el archivo de configuración para editarlo

   sudo nano /boot/firmware/config.txt

   c. Añade las siguientes líneas al final

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. Guarda y sal pulsando CTRL + X, después Y y, por último, ENTER

   e. Reinicia Raspberry Pi

Siguientes pasos#

Has configurado correctamente YOLO26 en tu Raspberry Pi. Para seguir avanzando, explora el modo Predict para consultar más opciones de inferencia, el modo Export para conocer formatos de implementación adicionales o la guía de NVIDIA Jetson si necesitas más capacidad de cálculo en el edge. Para consultar la documentación completa, visita la documentación de Ultralytics YOLO26.

Agradecimientos y citas#

Esta guía fue creada inicialmente por Daan Eeltink para Kashmir World Foundation, una organización dedicada al uso de YOLO para la conservación de especies en peligro de extinción. Reconocemos su trabajo pionero y su enfoque educativo en el ámbito de las tecnologías de detección de objetos.

Para obtener más información sobre las actividades de Kashmir World Foundation, puedes visitar su sitio web.

Preguntas frecuentes#