Guía de inicio rápido: Raspberry Pi con Ultralytics YOLO11

Esta completa guía ofrece un recorrido detallado para implementar Ultralytics YOLO11 en dispositivos Raspberry Pi. Además, presenta pruebas de rendimiento para demostrar las capacidades de YOLO11 en estos pequeños y potentes dispositivos.

Observa: Actualizaciones y mejoras de Raspberry Pi 5.

¿Qué es Raspberry Pi?

Raspberry Pi es un pequeño y asequible ordenador de placa única. Se ha hecho 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 gran 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. Existen diferentes modelos con distintas especificaciones, pero todos comparten la misma filosofía básica de diseño: bajo coste, compacto y versátil.

Comparación de la serie Raspberry Pi

¿Qué es Raspberry Pi OS?

Raspberry Pi OS (antes 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 Fundación Raspberry Pi. Raspberry Pi OS está altamente optimizado para la Raspberry Pi con CPU ARM y utiliza un entorno de escritorio LXDE modificado con el gestor de ventanas apilables Openbox. Raspberry Pi OS está en desarrollo activo, con énfasis en mejorar la estabilidad y el rendimiento de tantos paquetes Debian como sea posible en Raspberry Pi.

Flash Raspberry Pi OS a Raspberry Pi

Lo primero que hay que hacer después de conseguir una Raspberry Pi es flashear una tarjeta micro-SD con Raspberry Pi OS, insertarla en el dispositivo y arrancar el sistema operativo. Sigue la detallada documentación de inicio de Raspberry Pi para preparar tu dispositivo para el primer uso.

Puesta en marcha Ultralytics

Hay dos maneras de configurar el paquete Ultralytics en Raspberry Pi para construir su próximo proyecto de Visión por Computador. Puedes utilizar cualquiera de ellas.

• Empezar con Docker
• Empezar sin Docker

Empezar con Docker

La forma más rápida de empezar con Ultralytics YOLO11 en Raspberry Pi es ejecutar con una imagen docker pre-construida para Raspberry Pi.

Ejecute el siguiente comando para extraer el contenedor Docker y ejecutarlo en Raspberry Pi. Esto se basa en arm64v8/debian imagen docker que contiene Debian 12 (Bookworm) en un entorno Python3.

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

Una vez hecho esto, vaya a la sección Utilizar NCNN en Raspberry Pi.

Empezar sin Docker

Instale el paquete Ultralytics

Aquí instalaremos el paquete Ultralytics en la Raspberry Pi con dependencias opcionales para que podamos exportar los PyTorch modelos a otros formatos diferentes.

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

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

2. Instale ultralytics Paquete pip con dependencias opcionales

   pip install ultralytics[export]
   

3. Reiniciar el dispositivo

   sudo reboot
   

Utilice NCNN en Raspberry Pi

De todos los formatos de exportación de modelos soportados por Ultralytics, NCNN ofrece el mejor rendimiento de inferencia cuando se trabaja con dispositivos Raspberry Pi porque NCNN está altamente optimizado para plataformas móviles/incorporadas (como la arquitectura ARM). Por lo tanto, nuestra recomendación es utilizar NCNN con Raspberry Pi.

Convierta el modelo a NCNN y ejecute la inferencia

El modelo YOLO11n en formato PyTorch se convierte a NCNN para ejecutar la inferencia con el modelo exportado.

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo11n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to NCNN format
yolo export model=yolo11n.pt format=ncnn  # creates 'yolo11n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Raspberry Pi 5 YOLO11 Puntos de referencia

YOLO11 El equipo de Ultralytics ejecutó pruebas comparativas en nueve formatos de modelo diferentes para medir la velocidad y la precisión: PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN. Las pruebas se ejecutaron en una Raspberry Pi 5 con precisión FP32 y un tamaño de imagen de entrada predeterminado de 640.

Cuadro comparativo

Sólo hemos incluido los puntos de referencia de los modelos YOLO11n y YOLO11s porque los tamaños de otros modelos son demasiado grandes para ejecutarlos en la Raspberry Pis y no ofrecen un rendimiento decente.

Cuadro comparativo detallado

La siguiente tabla representa los resultados del benchmark para dos modelos diferentes (YOLO11n, YOLO11s) a través de nueve formatos diferentes (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN), ejecutándose en una Raspberry Pi 5, dándonos el estado, tamaño, métrica mAP50-95(B) y tiempo de inferencia para cada combinación.

Reproduzca nuestros resultados

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

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and accuracy on the COCO8 dataset for all all export formats
results = model.benchmarks(data="coco8.yaml", imgsz=640)

# Benchmark YOLO11n speed and accuracy on the COCO8 dataset for all all export formats
yolo benchmark model=yolo11n.pt data=coco8.yaml imgsz=640

Utilizar la cámara Raspberry Pi

Cuando se utiliza la Raspberry Pi para proyectos de Visión por Computador, puede ser esencial tomar imágenes de vídeo en tiempo real para realizar inferencias. El conector MIPI CSI integrado en la Raspberry Pi permite conectar módulos de cámara oficiales de Raspberry PI. En esta guía, hemos utilizado un módulo de cámara Raspberry Pi 3 para tomar imágenes de vídeo y realizar inferencias utilizando modelos YOLO11 .

Probar la cámara

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

rpicam-hello

Inferencia con cámara

Existen 2 métodos para utilizar la cámara Raspberry Pi para inferir modelos YOLO11 .

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 YOLO11 model
model = YOLO("yolo11n.pt")

while True:
    # Capture frame-by-frame
    frame = picam2.capture_array()

    # Run YOLO11 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()

rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Run inference
results = model("tcp://127.0.0.1:8888")

yolo predict model=yolo11n.pt source="tcp://127.0.0.1:8888"

Buenas prácticas al utilizar Raspberry Pi

Hay un par de buenas prácticas a seguir para permitir el máximo rendimiento en Raspberry Pis ejecutando YOLO11.

1. Utilice un SSD

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

2. Flash sin GUI

   Cuando se flashea Raspberry Pi OS, se puede optar por no instalar el entorno de escritorio (Raspberry Pi OS Lite) y esto puede ahorrar un poco de RAM en el dispositivo, dejando más espacio para el procesamiento de visión por ordenador.

Próximos pasos

¡Enhorabuena por haber configurado con éxito YOLO en su Raspberry Pi! Para más información y ayuda, visite Ultralytics YOLO11 Docs y Kashmir World Foundation.

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. Agradecemos su labor pionera y su enfoque educativo en el ámbito de las tecnologías de detección de objetos.

Para más información sobre las actividades de la Fundación Mundial Cachemira, puede visitar su sitio web.

PREGUNTAS FRECUENTES

¿Cómo puedo configurar Ultralytics YOLO11 en una Raspberry Pi sin utilizar Docker?

Para configurar Ultralytics YOLO11 en una Raspberry Pi sin Docker, siga estos pasos:

1. Actualizar la lista de paquetes e instalar pip:

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

2. Instale el paquete Ultralytics con las dependencias opcionales:

   pip install ultralytics[export]
   

3. Reinicie el dispositivo para aplicar los cambios:

   sudo reboot
   

Para obtener instrucciones detalladas, consulte la sección Arrancar sin Docker.

¿Por qué debería utilizar el formato NCNN de Ultralytics YOLO11 en Raspberry Pi para tareas de IA?

Ultralytics YOLO11 NCNN está altamente optimizado para plataformas móviles e integradas, por lo que es ideal para ejecutar tareas de IA en dispositivos Raspberry Pi. maximiza el rendimiento de la inferencia aprovechando la arquitectura ARM, lo que proporciona un procesamiento más rápido y eficiente en comparación con otros formatos. Para obtener más información sobre las opciones NCNN de exportación compatibles, visite la página de documentación de sobre opciones de implementaciónUltralytics .

¿Cómo puedo convertir un modelo YOLO11 al formato NCNN para utilizarlo en Raspberry Pi?

Puede convertir un modelo PyTorch YOLO11 al formato NCNN utilizando los comandos Python o CLI :

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo11n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to NCNN format
yolo export model=yolo11n.pt format=ncnn  # creates 'yolo11n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Para más detalles, consulte la sección Utilizar NCNN en Raspberry Pi.

¿Cuáles son las diferencias de hardware entre Raspberry Pi 4 y Raspberry Pi 5 relevantes para ejecutar YOLO11?

Las principales diferencias son:

• CPU: Raspberry Pi 4 utiliza Broadcom BCM2711, Cortex-A72 64-bit SoC, mientras que Raspberry Pi 5 utiliza Broadcom BCM2712, Cortex-A76 64-bit SoC.
• Frecuencia máxima CPU : Raspberry Pi 4 tiene una frecuencia máxima de 1,8GHz, mientras que Raspberry Pi 5 alcanza los 2,4GHz.
• Memoria: Raspberry Pi 4 ofrece hasta 8 GB de SDRAM LPDDR4-3200, mientras que Raspberry Pi 5 cuenta con SDRAM LPDDR4X-4267, disponible en variantes de 4 GB y 8 GB.

Estas mejoras contribuyen a mejorar los puntos de referencia de rendimiento para los modelos YOLO11 en Raspberry Pi 5 en comparación con Raspberry Pi 4. Consulte la tabla comparativa de las series Raspberry Pi para obtener más detalles.

¿Cómo puedo configurar un módulo de cámara Raspberry Pi para que funcione con Ultralytics YOLO11 ?

Existen dos métodos para configurar una cámara Raspberry Pi para la inferencia YOLO11 :

1. Utilizando picamera2:

   import cv2
   from picamera2 import Picamera2
   
   from ultralytics import YOLO
   
   picam2 = Picamera2()
   picam2.preview_configuration.main.size = (1280, 720)
   picam2.preview_configuration.main.format = "RGB888"
   picam2.preview_configuration.align()
   picam2.configure("preview")
   picam2.start()
   
   model = YOLO("yolo11n.pt")
   
   while True:
       frame = picam2.capture_array()
       results = model(frame)
       annotated_frame = results[0].plot()
       cv2.imshow("Camera", annotated_frame)
   
       if cv2.waitKey(1) == ord("q"):
           break
   
   cv2.destroyAllWindows()
   

2. Utilización de un flujo TCP:

   rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888
   

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model("tcp://127.0.0.1:8888")
   

Para obtener instrucciones detalladas de configuración, visite la sección Inferencia con cámara.

Creado hace 1 año ✏️ Actualizado hace 8 días

Comentarios