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

Un Raspberry Pi est une plateforme économe en énergie et abordable pour exécuter de la vision par ordinateur à la périphérie, mais l'inférence sur l'appareil est lente, même avec des formats optimisés comme ONNX ou OpenVINO. Associer le Pi à un coprocesseur Coral Edge TPU déporte l'inférence vers un matériel dédié et l'accélère considérablement. Ce guide t'explique comment installer le runtime, exporter un modèle Ultralytics YOLO26 au 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 performante et peu énergivore pour les modèles TensorFlow Lite. Il convient parfaitement aux déploiements embarqués et mobiles où un CPU seul ne peut pas suivre :

• Inférence plus rapide — l'Edge TPU accélère les modèles quantifiés bien au-delà de ce que le CPU du Raspberry Pi peut accomplir 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 — l'USB Accelerator se connecte via USB 3.0, sans nécessiter d'intégration matérielle supplémentaire.

Prérequis#

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

Ce guide part du principe que tu disposes déjà d'une installation fonctionnelle de Raspberry Pi OS avec ultralytics et ses dépendances installés. Si ce n'est pas le cas, suis d'abord le guide de démarrage rapide.

Une fois les prérequis réunis, le workflow se déroule en trois étapes : installer le runtime Edge TPU sur le Pi, exporter ton modèle sur une machine non ARM, puis exécuter l'inférence de nouveau sur le Pi.

Installer le runtime Edge TPU#

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

Télécharge la dernière version 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 afin 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 l'Edge TPU, convertis ton modèle dans un format compatible. Effectue l'export sur une plateforme non ARM — Google Colab, une machine Linux x86_64, le conteneur Docker officiel Ultralytics ou Ultralytics Platform — car le compilateur Edge TPU n'est pas disponible sur ARM. Consulte le mode Export pour connaître 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 appropriées sur le Raspberry Pi. Si TensorFlow est déjà installé, désinstalle-le d'abord :

pip uninstall tensorflow tensorflow-aarch64

Installe ou mets maintenant à jour tflite-runtime :

pip install -U tflite-runtime

Tu peux maintenant exécuter l'inférence :

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/yolo26n_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

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

Tu trouveras tous les détails du mode de prédiction sur la page Predict.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/yolo26n_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 Coral Edge TPU USB. Ils indiquent uniquement le temps d'inférence (prétraitement et post-traitement exclus) et servent de référence relative pour l'accélération fournie par l'Edge TPU selon les modèles et les modes de Pi.

En moyenne :

• Le Raspberry Pi 5 est 22 % plus rapide en mode standard que le Raspberry Pi 4B.
• Le Raspberry Pi 5 est 30,2 % plus rapide en 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 appareil d'inférence performant et peu énergivore 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 accélérée à la périphérie. Pour découvrir d'autres options de déploiement, consulte le guide Raspberry Pi.

FAQ#