Comment exécuter Ultralytics YOLO26 sur un Raspberry Pi avec un Coral Edge TPU#

Un Raspberry Pi est une plateforme économique et économe en énergie pour exécuter de la vision par ordinateur en périphérie, mais l'inférence sur appareil reste lente même avec des formats optimisés comme ONNX ou OpenVINO. Associer le Pi à un coprocesseur Coral Edge TPU délègue l'inférence à du matériel dédié et l'accélère considérablement. Ce guide te montre comment installer le runtime, exporter un modèle Ultralytics YOLO26 vers le format Edge TPU et exécuter une inférence accélérée.

Pourquoi utiliser un Coral Edge TPU ?#

Le Coral Edge TPU est un appareil compact qui ajoute un coprocesseur Edge TPU à ton système, permettant une inférence ML haute performance et à faible consommation pour les modèles TensorFlow Lite. C'est une excellente solution pour les déploiements embarqués et mobiles où un CPU seul ne suffit pas :

• Inférence plus rapide — l'Edge TPU accélère les modèles quantifiés bien au-delà de ce que le CPU du Raspberry Pi peut atteindre seul.
• Faible consommation d'énergie — il offre un débit élevé par watt, idéal pour les déploiements alimentés par batterie ou par énergie solaire.
• Prêt-à-l'emploi — le USB Accelerator se connecte via USB 3.0, aucune intégration matérielle supplémentaire n'est donc requise.

Prérequis#

• Raspberry Pi 4B (2 Go ou plus recommandé) ou Raspberry Pi 5 (Recommandé)
• Raspberry Pi OS Bullseye/Bookworm (64 bits) avec bureau (Recommandé)
• Coral USB Accelerator
• Une plateforme non-ARM (Google Colab, une machine Linux x86_64 ou le Ultralytics Docker container) pour exporter le modèle, car le compilateur Edge TPU n'est pas disponible sur ARM

Ce guide suppose que tu as déjà une installation fonctionnelle de Raspberry Pi OS avec ultralytics et ses dépendances installés. Sinon, suis d'abord le quickstart guide.

Une fois les prérequis prêts, le flux de travail comporte trois étapes : installer le runtime Edge TPU sur le Pi, exporter ton modèle sur une machine non-ARM et exécuter l'inférence de nouveau sur le Pi.

Installer le runtime Edge TPU#

Le runtime est disponible en plusieurs versions, choisis donc celle qui correspond à ton système d'exploitation. La version haute fréquence fait fonctionner l'Edge TPU à une vitesse d'horloge plus élevée pour de meilleures performances, mais elle peut provoquer une limitation thermique (thermal throttling) — utilise une forme de refroidissement si tu la choisis.

Télécharge la dernière version depuis ici, puis installe le paquet .deb :

sudo dpkg -i path/to/package.deb

Après avoir installé le runtime, branche ton Coral Edge TPU sur un port USB 3.0 du Raspberry Pi pour que la nouvelle règle udev puisse prendre effet.

# If you installed the standard version
sudo apt remove libedgetpu1-std

# If you installed the high-frequency version
sudo apt remove libedgetpu1-max

Exporter ton modèle au format Edge TPU#

Pour utiliser le Edge TPU, convertis ton modèle dans un format compatible. Exécute l'exportation sur une plateforme non-ARM — Google Colab, une machine Linux x86_64, le Ultralytics Docker container officiel, ou Ultralytics Platform — car le compilateur Edge TPU n'est pas disponible sur ARM. Consulte le mode Export mode pour voir les arguments 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")

Le modèle exporté est enregistré dans le dossier <model_name>_saved_model/ sous le nom <model_name>_full_integer_quant_edgetpu.tflite.

Exécuter l'inférence sur l'Edge TPU#

Avant d'exécuter le modèle, installe les bibliothèques correctes sur le Raspberry Pi. Si TensorFlow est déjà installé, désinstalle-le d'abord :

pip uninstall tensorflow tensorflow-aarch64

Installe ou mets ensuite à jour tflite-runtime :

pip install -U tflite-runtime

Maintenant, tu peux exécuter l'inférence :

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

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

Trouve tous les détails sur le mode de prédiction sur la page Predict.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")  # Inference defaults to the first TPU

model.predict("path/to/source.png", device="tpu:0")  # Select the first TPU

model.predict("path/to/source.png", device="tpu:1")  # Select the second TPU

Benchmarks#

Les chiffres ci-dessous ont été mesurés avec Raspberry Pi OS Bookworm 64 bits et un USB Coral Edge TPU. Ils montrent uniquement le temps d'inférence (prétraitement/post-traitement exclus) et servent de référence relative pour l'accélération fournie par l'Edge TPU sur les modèles Pi et les modes d'horloge.

En moyenne :

• Le Raspberry Pi 5 est 22 % plus rapide avec le mode standard que le Raspberry Pi 4B.
• Le Raspberry Pi 5 est 30,2 % plus rapide avec le mode haute fréquence que le Raspberry Pi 4B.
• Le mode haute fréquence est 28,4 % plus rapide que le mode standard.

Conclusion#

Un Coral Edge TPU transforme un Raspberry Pi en un appareil d'inférence performant et économe en énergie pour Ultralytics YOLO26. Exporte ton modèle sur une machine non-ARM, conserve le suffixe _edgetpu.tflite et exécute-le avec tflite-runtime sur le Pi pour obtenir une inférence en périphérie accélérée. Pour plus d'options de déploiement, consulte le guide Raspberry Pi.

FAQ#