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

Un Raspberry Pi est une plateforme abordable et économe en énergie pour exécuter des tâches de vision par ordinateur en 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 décharge l’inférence sur un matériel dédié et l’accélère considérablement. Ce guide t’explique comment installer l’environnement d’exécution, 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 l’inférence ML à faible consommation et hautes performances pour les modèles TensorFlow Lite. C’est un excellent choix 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 des performances d’un CPU de Raspberry Pi utilisé seul.
• Faible consommation électrique — il offre un débit élevé par watt, idéal pour les déploiements alimentés par batterie ou à l’énergie solaire.
• Prêt à l’emploi — l’Accélérateur USB se connecte via USB 3.0, sans nécessiter d’intégration matérielle supplémentaire.

Prérequis#

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

Ce guide suppose que tu disposes déjà d’une installation fonctionnelle de Raspberry Pi OS avec ultralytics et ses dépendances installées. Si ce n’est pas le cas, commence par suivre le guide de démarrage rapide.

Une fois les prérequis réunis, le processus comprend trois étapes : installer l’environnement d’exécution Edge TPU sur le Pi, exporter ton modèle sur une machine Linux x86_64, puis exécuter l’inférence sur le Pi.

Installer l’environnement d’exécution Edge TPU#

L’environnement d’exécution est proposé en plusieurs versions : 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 offrir de meilleures performances, mais elle peut entraîner une limitation thermique ; prévois 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 l’environnement d’exécution, 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 l’Edge TPU, convertis ton modèle dans un format compatible. Effectue l’export sur Linux x86_64 — Google Colab, une machine Linux x86_64, le conteneur Docker officiel Ultralytics sur un hôte x86_64 ou Ultralytics Platform — car le compilateur Edge TPU est uniquement disponible sur Linux x86_64. Consulte le mode Export pour connaître les arguments disponibles.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("path/to/model.pt")  # Charger un modèle officiel ou un modèle personnalisé

# Exporter le modèle
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

# Charger un modèle
model = YOLO("path/to/yolo26n_full_integer_quant_edgetpu.tflite")  # Charger un modèle officiel ou un modèle personnalisé

# Exécuter une prédiction
model.predict("path/to/source.png")

Consulte la page Predict pour obtenir tous les détails sur le mode de prédiction.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("path/to/yolo26n_full_integer_quant_edgetpu.tflite")  # Charger un modèle officiel ou un modèle personnalisé

# Exécuter une prédiction
model.predict("path/to/source.png")  # Par défaut, l’inférence utilise le premier TPU

model.predict("path/to/source.png", device="tpu:0")  # Sélectionner le premier TPU

model.predict("path/to/source.png", device="tpu:1")  # Sélectionner le deuxième TPU

Benchmarks#

Les valeurs ci-dessous ont été mesurées avec Raspberry Pi OS Bookworm 64 bits et un Coral Edge TPU USB. Elles indiquent uniquement le temps d’inférence (prétraitement et post-traitement exclus) et servent de référence comparative pour l’accélération apportée par l’Edge TPU selon les modèles et les modes de Pi.

En moyenne :

• Le Raspberry Pi 5 est 22 % plus rapide que le Raspberry Pi 4B en mode standard.
• Le Raspberry Pi 5 est 30,2 % plus rapide que le Raspberry Pi 4B en mode haute fréquence.
• 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 Linux x86_64, conserve le suffixe _edgetpu.tflite et exécute-le sur le Pi avec tflite-runtime pour bénéficier d’une inférence accélérée en périphérie. Pour découvrir d’autres options de déploiement, consulte le guide Raspberry Pi.

FAQ#