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 borde, sin necesidad de GPU. Esta guía te muestra cómo desplegar YOLO26 en Raspberry Pi 4 y 5: flasear el sistema operativo, instalar Ultralytics, exportar a NCNN para lograr la inferencia más rápida en ARM y ejecutar predicciones en una fuente de cámara en directo. También incluye pruebas de rendimiento en ocho formatos de exportación para que elijas el mejor equilibrio entre velocidad y precisión para tu hardware.

Salta a la configuración de Ultralytics, la exportación a NCNN y ejecución de inferencia, los benchmarks o la inferencia con cámara.

¿Qué es Raspberry Pi?#

Raspberry Pi es un ordenador de placa única pequeño y asequible. Se ha vuelto popular para una amplia gama de proyectos y aplicaciones, desde la domótica para aficionados hasta usos industriales. Las placas Raspberry Pi son capaces de ejecutar una variedad de sistemas operativos y ofrecen pines GPIO (General Purpose Input/Output) que permiten una fácil integración con sensores, actuadores y otros componentes de hardware. Vienen en diferentes modelos con especificaciones variables, pero todos comparten la misma filosofía de diseño básico: ser de bajo coste, compactos y versátiles.

Comparativa de la serie Raspberry Pi#

¿Qué es Raspberry Pi OS?#

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

Instalar Raspberry Pi OS en Raspberry Pi#

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

Configurar 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 con Ultralytics YOLO26 en Raspberry Pi es ejecutarlo con una imagen de Docker preconfigurada para Raspberry Pi.

Ejecuta el siguiente comando para descargar el contenedor Docker y ejecutarlo en Raspberry Pi. Esto 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, por lo que puedes pasar directamente a exportar tu modelo a NCNN.

Empezar sin Docker#

Instalar el paquete Ultralytics#

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

1. Actualiza la lista de paquetes, instala pip y actualiza a la última versión

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

2. Instala el paquete pip ultralytics

   pip install ultralytics

3. Reinicia el dispositivo

   sudo reboot

Usar 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 porque está altamente optimizado para plataformas móviles y embebidas como la arquitectura ARM. Convierte tu modelo YOLO26n PyTorch a NCNN y luego ejecuta 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 respecto a YOLO11#

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

Pruebas de rendimiento de YOLO26 en Raspberry Pi 5#

Los benchmarks de YOLO26 fueron ejecutados por el equipo de Ultralytics en ocho formatos de modelos diferentes midiendo la velocidad y la precisión: PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT. Los benchmarks se ejecutaron en una Raspberry Pi 5 con precisión FP32 y un tamaño de imagen de entrada predeterminado de 640.

Gráfico comparativo#

Solo hemos incluido pruebas para los modelos YOLO26n y YOLO26s porque otros tamaños de modelos son demasiado grandes para ejecutarse en las Raspberry Pis y no ofrecen un rendimiento decente.

Tabla comparativa detallada#

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

Reproduce nuestros resultados#

Para reproducir los benchmarks 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)

Usar la cámara de Raspberry Pi#

Al utilizar Raspberry Pi para proyectos de visión artificial, puede ser fundamental capturar fuentes de vídeo en tiempo real para realizar inferencias. El conector MIPI CSI integrado en la Raspberry Pi te permite conectar módulos de cámara oficiales de Raspberry Pi. En esta guía, hemos utilizado un Módulo de Cámara Raspberry Pi 3 para capturar las fuentes de vídeo y realizar inferencias utilizando modelos YOLO26.

Probar la cámara#

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

rpicam-hello

Inferencia con cámara#

Existen dos métodos para usar la cámara de Raspberry Pi para ejecutar inferencias en 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()

Mejores prácticas al usar Raspberry Pi#

Existen un par de mejores prácticas a seguir para permitir el máximo rendimiento en Raspberry Pis que ejecutan YOLO26.

1. Usa un SSD

   Cuando se utiliza Raspberry Pi para un uso continuo 24x7, se recomienda utilizar un SSD para el sistema porque una tarjeta SD no podrá soportar escrituras continuas y podría estropearse. Con el conector PCIe integrado en la Raspberry Pi 5, ahora puedes conectar SSDs utilizando un adaptador como el NVMe Base para Raspberry Pi 5.

2. Instala sin interfaz gráfica (GUI)

   Al instalar Raspberry Pi OS, puedes elegir no instalar el entorno de escritorio (Raspberry Pi OS Lite), lo que puede ahorrar un poco de RAM en el dispositivo, dejando más espacio para el procesamiento de visión artificial.

3. Haz overclock a tu Raspberry Pi

   Si quieres un pequeño aumento en el rendimiento mientras ejecutas modelos Ultralytics YOLO26 en Raspberry Pi 5, puedes hacer overclock a la CPU desde su base de 2.4GHz a 2.9GHz y a la GPU desde 800MHz a 1GHz. Si el sistema se vuelve inestable o falla, reduce los valores de overclock en incrementos de 100MHz. Asegúrate de que haya una refrigeración adecuada, ya que el overclock 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 presionando CTRL + X, luego Y, y pulsa ENTER

   e. Reinicia la Raspberry Pi

Siguientes pasos#

Has configurado con éxito YOLO26 en tu Raspberry Pi. Para avanzar más, explora el modo Predict para ver más opciones de inferencia, el modo Export para formatos de despliegue adicionales, o la guía de NVIDIA Jetson si necesitas más potencia de cálculo en el borde. Para consultar la documentación completa, visita los documentos de Ultralytics YOLO26.

Reconocimientos y citas#

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

FAQ#