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: instalar el sistema operativo, instalar Ultralytics, exportar a NCNN para obtener la inferencia más rápida en ARM y ejecutar predicciones con la señal de una cámara en directo. También incluye pruebas de rendimiento en ocho formatos de exportación para que elijas el equilibrio entre velocidad y precisión más adecuado para tu hardware.

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

¿Qué es Raspberry Pi?#

Raspberry Pi es un ordenador de placa única pequeño y asequible. Se ha popularizado en 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 cuentan con pines GPIO (entrada/salida de propósito general), que permiten integrarlas fácilmente con sensores, actuadores y otros componentes de hardware. Hay distintos modelos con especificaciones variadas, pero todos comparten la misma filosofía de diseño: bajo coste, tamaño compacto y versatilidad.

Comparativa de la serie Raspberry Pi#

¿Qué es Raspberry Pi OS?#

Raspberry Pi OS (antes conocido como Raspbian) es un sistema operativo similar a Unix basado en la distribución GNU/Linux Debian para la familia de ordenadores compactos de placa única Raspberry Pi, distribuidos por la Raspberry Pi Foundation. Raspberry Pi OS está muy optimizado para Raspberry Pi con CPU ARM y utiliza un entorno de escritorio ligero que se ejecuta en Wayland de forma predeterminada en Raspberry Pi 4 y 5. Raspberry Pi OS está en desarrollo activo, con especial atención a mejorar la estabilidad y el rendimiento de tantos paquetes de Debian como sea posible en Raspberry Pi.

Graba Raspberry Pi OS en Raspberry Pi#

Lo primero que debes hacer cuando tengas una Raspberry Pi es grabar Raspberry Pi OS en una tarjeta micro-SD, insertarla en el dispositivo e iniciar el sistema operativo. Sigue la documentación detallada para empezar de Raspberry Pi para preparar el 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:

• Empieza con Docker
• Empieza sin Docker

Empieza con Docker#

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

Ejecuta el siguiente comando para descargar el contenedor Docker y ejecutarlo en Raspberry Pi. Se basa en la imagen oficial de Python 3.13-slim-trixie, que ejecuta Debian 13 con Python 3.13.

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

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

Empieza sin Docker#

Instala el paquete 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, así que aquí solo hace falta el paquete base.

1. Actualiza la lista de paquetes, instala pip y actualízalo 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

Usa NCNN en Raspberry Pi#

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

from ultralytics import YOLO

# Carga un modelo YOLO26n de PyTorch
model = YOLO("yolo26n.pt")

# Exporta el modelo al formato NCNN
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Carga el modelo exportado a NCNN
ncnn_model = YOLO("yolo26n_ncnn_model")

# Ejecutar inferencia
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 recursos de hardware limitados, como Raspberry Pi 5. En comparación con YOLO11n, YOLO26n aumenta los FPS en un ~15 % (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 YOLO26 en Raspberry Pi 5#

El equipo de Ultralytics realizó las pruebas de rendimiento de YOLO26 con ocho formatos de modelo distintos para medir la velocidad y la precisión: PyTorch, TorchScript, ONNX, OpenVINO, LiteRT, MNN, NCNN y ExecuTorch. Las pruebas se realizaron en una Raspberry Pi 5 con precisión FP32 y un tamaño de imagen de entrada predeterminado de 640.

Gráfico comparativo#

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

Tabla comparativa detallada#

La siguiente tabla muestra los resultados de las pruebas de dos modelos distintos (YOLO26n, YOLO26s) en ocho formatos diferentes (PyTorch, TorchScript, ONNX, OpenVINO, LiteRT, MNN, NCNN y ExecuTorch), ejecutados en una Raspberry Pi 5. Incluye 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 Ultralytics anteriores con todos los formatos de exportación, ejecuta este código:

from ultralytics import YOLO

# Carga un modelo YOLO26n de PyTorch
model = YOLO("yolo26n.pt")

# Prueba la velocidad y la precisión de YOLO26n en el conjunto de datos COCO128 con todos los formatos de exportación
results = model.benchmark(data="coco128.yaml", imgsz=640)

Usa la cámara de Raspberry Pi#

Al usar Raspberry Pi para proyectos de visión artificial, puede ser esencial obtener 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 una Raspberry Pi Camera Module 3 para obtener 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

# Inicializa 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()

# Carga el modelo YOLO26
model = YOLO("yolo26n.pt")

while True:
    # Captura fotogramas uno a uno
    frame = picam2.capture_array()

    # Ejecuta la inferencia de YOLO26 en el fotograma
    results = model(frame)

    # Visualiza los resultados en el fotograma
    annotated_frame = results[0].plot()

    # Muestra el fotograma resultante
    cv2.imshow("Camera", annotated_frame)

    # Interrumpe el bucle si se pulsa 'q'
    if cv2.waitKey(1) == ord("q"):
        break

# Libera los recursos y cierra las ventanas
cv2.destroyAllWindows()

Buenas prácticas para usar Raspberry Pi#

Hay varias buenas prácticas que conviene seguir para obtener el máximo rendimiento en Raspberry Pi con YOLO26.

1. Usa un SSD

   Si vas a utilizar Raspberry Pi de forma continuada las 24 horas del día, se recomienda usar un SSD para el sistema, ya que una tarjeta SD no soporta escrituras continuas y podría estropearse. Gracias al conector PCIe integrado en Raspberry Pi 5, ahora puedes conectar SSD con un adaptador como el NVMe Base para Raspberry Pi 5.

2. Graba el sistema sin interfaz gráfica

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

3. Haz overclocking en Raspberry Pi

   Si quieres mejorar un poco el rendimiento al ejecutar modelos Ultralytics YOLO26 en Raspberry Pi 5, puedes aumentar la frecuencia de la CPU de sus 2.4GHz de base a 3.0GHz y la de la GPU de 800MHz a 1GHz. Si el sistema se vuelve inestable o se bloquea, reduce los valores de overclocking en incrementos de 100MHz. Asegúrate de que la refrigeración sea 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, luego Y y, por último, ENTER

   e. Reinicia Raspberry Pi

Próximos pasos#

Ya has configurado YOLO26 correctamente en Raspberry Pi. Para seguir explorando, consulta el modo Predict para ver más opciones de inferencia, el modo Export para conocer otros formatos de implementación o la guía de NVIDIA Jetson si necesitas más capacidad de cálculo en el perímetro. 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#