Guide de démarrage rapide : Raspberry Pi avec Ultralytics YOLO26#

Raspberry Pi est un ordinateur petit et abordable qui fait tourner Ultralytics YOLO26 pour la détection d'objets en temps réel à la périphérie (edge), sans besoin de GPU. Ce guide t'accompagne dans le déploiement de YOLO26 sur Raspberry Pi 4 et 5 : flashage du système d'exploitation, installation d'Ultralytics, export vers NCNN pour l'inférence la plus rapide sur ARM, et exécution de prédictions sur un flux de caméra en direct. Il inclut également des benchmarks de performance sur huit formats d'exportation pour t'aider à choisir le meilleur compromis entre vitesse et précision pour ton matériel.

Passe directement à la configuration d'Ultralytics, à l'export vers NCNN et à l'exécution de l'inférence, aux benchmarks ou à l'inférence par caméra.

Qu'est-ce qu'un Raspberry Pi ?#

Raspberry Pi est un petit ordinateur monocarte abordable. Il est devenu populaire pour une large gamme de projets et d'applications, de la domotique amateur aux utilisations industrielles. Les cartes Raspberry Pi sont capables d'exécuter une variété de systèmes d'exploitation et offrent des broches GPIO (General Purpose Input/Output) qui permettent une intégration facile avec des capteurs, des actionneurs et d'autres composants matériels. Ils sont disponibles en différents modèles avec des spécifications variées, mais ils partagent tous la même philosophie de conception de base : être peu coûteux, compact et polyvalent.

Comparaison de la série Raspberry Pi#

Qu'est-ce que Raspberry Pi OS ?#

Raspberry Pi OS (anciennement connu sous le nom de Raspbian) est un système d'exploitation de type Unix basé sur la distribution Debian GNU/Linux pour la famille d'ordinateurs compacts monocarte Raspberry Pi distribuée par la Raspberry Pi Foundation. Raspberry Pi OS est hautement optimisé pour le Raspberry Pi doté de processeurs ARM et utilise un environnement de bureau LXDE modifié avec le gestionnaire de fenêtres empilé Openbox. Raspberry Pi OS fait l'objet d'un développement actif, en mettant l'accent sur l'amélioration de la stabilité et des performances du plus grand nombre possible de paquets Debian sur Raspberry Pi.

Flasher Raspberry Pi OS sur Raspberry Pi#

La première chose à faire après avoir pris en main un Raspberry Pi est de flasher une carte micro-SD avec Raspberry Pi OS, de l'insérer dans l'appareil et de démarrer le système d'exploitation. Suis la documentation de prise en main détaillée par Raspberry Pi pour préparer ton appareil lors de sa première utilisation.

Configurer Ultralytics#

Tu peux configurer le paquet Ultralytics sur Raspberry Pi de deux manières pour ton prochain projet de Computer Vision :

• Commencer avec Docker
• Commencer sans Docker

Démarrer avec Docker#

Le moyen le plus rapide de commencer avec Ultralytics YOLO26 sur Raspberry Pi est d'utiliser une image Docker pré-construite pour Raspberry Pi.

Exécute la commande ci-dessous pour récupérer le conteneur Docker et l'exécuter sur Raspberry Pi. Cela repose sur l'image Docker arm64v8/ubuntu, qui exécute Ubuntu 24.04 dans un environnement Python3.

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

L'image Docker inclut déjà Ultralytics, tu peux donc passer directement à l'export de ton modèle vers NCNN.

Démarrer sans Docker#

Installer le package Ultralytics#

Nous allons installer ici le paquet Ultralytics sur le Raspberry Pi avec des dépendances optionnelles afin de pouvoir exporter les modèles PyTorch vers d'autres formats.

1. Mettre à jour la liste des packages, installer pip et mettre à niveau vers la dernière version

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

2. Installer le package pip ultralytics avec les dépendances optionnelles

   pip install ultralytics[export]

3. Redémarrer l'appareil

   sudo reboot

Utiliser NCNN sur Raspberry Pi#

Parmi tous les formats d'exportation de modèles pris en charge par Ultralytics, NCNN offre les meilleures performances d'inférence sur les appareils Raspberry Pi car il est hautement optimisé pour les plateformes mobiles/embarquées telles que l'architecture ARM. Convertis ton modèle PyTorch YOLO26n en NCNN, puis exécute l'inférence avec le modèle exporté :

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo26n_ncnn_model")

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

Améliorations des performances de YOLO26 par rapport à YOLO11#

YOLO26 est spécifiquement conçu pour fonctionner sur des appareils aux ressources matérielles limitées comme le Raspberry Pi 5. Comparé à YOLO11n, YOLO26n obtient une augmentation d'environ 15 % du nombre d'images par seconde (6,79 → 7,79) tout en offrant un mAP plus élevé (40,1 contre 39,5) avec une taille d'entrée de 640 pour les modèles exportés en ONNX sur Raspberry Pi 5. Le tableau et le graphique ci-dessous présentent cette comparaison.

Benchmarks YOLO26 sur Raspberry Pi 5#

Les benchmarks de YOLO26 ont été exécutés par l'équipe d'Ultralytics sur huit formats de modèles différents mesurant la vitesse et la précision : PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT. Les benchmarks ont été exécutés sur un Raspberry Pi 5 en précision FP32 avec une taille d'image d'entrée par défaut de 640.

Tableau de comparaison#

Nous avons seulement inclus les benchmarks pour les modèles YOLO26n et YOLO26s car les autres tailles de modèles sont trop grandes pour fonctionner sur les Raspberry Pi et n'offrent pas de performances décentes.

Tableau de comparaison détaillé#

Le tableau ci-dessous représente les résultats des benchmarks pour deux modèles différents (YOLO26n, YOLO26s) sur huit formats différents (PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT), exécutés sur un Raspberry Pi 5, en indiquant le statut, la taille, la métrique mAP50-95(B) et le temps d'inférence pour chaque combinaison.

Reproduis nos résultats#

Pour reproduire les benchmarks Ultralytics ci-dessus sur tous les formats d'exportation, exécute ce code :

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Benchmark YOLO26n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml", imgsz=640)

Utiliser la caméra Raspberry Pi#

Lors de l'utilisation du Raspberry Pi pour des projets de Computer Vision, il peut être essentiel de capturer des flux vidéo en temps réel pour effectuer des inférences. Le connecteur MIPI CSI intégré sur le Raspberry Pi te permet de connecter des modules de caméra Raspberry Pi officiels. Dans ce guide, nous avons utilisé un Raspberry Pi Camera Module 3 pour capturer les flux vidéo et effectuer des inférences à l'aide de modèles YOLO26.

Tester la caméra#

Exécute la commande suivante après avoir connecté la caméra au Raspberry Pi. Tu devrais voir un flux vidéo en direct de la caméra pendant environ 5 secondes.

rpicam-hello

Inférence avec la caméra#

Il existe deux méthodes pour utiliser la caméra Raspberry Pi afin d'exécuter l'inférence sur des modèles YOLO26.

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 YOLO26 model
model = YOLO("yolo26n.pt")

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

    # Run YOLO26 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()

Bonnes pratiques lors de l'utilisation de Raspberry Pi#

Il existe quelques bonnes pratiques à suivre pour permettre une performance maximale sur les Raspberry Pis utilisant YOLO26.

1. Utilise un SSD

   En cas d'utilisation continue 24h/24 et 7j/7 du Raspberry Pi, il est recommandé d'utiliser un SSD pour le système, car une carte SD ne supportera pas les écritures continues et risque de s'endommager. Grâce au connecteur PCIe intégré sur le Raspberry Pi 5, tu peux désormais connecter des SSD à l'aide d'un adaptateur tel que le NVMe Base pour Raspberry Pi 5.

2. Flash sans interface graphique (GUI)

   Lors du flashage de Raspberry Pi OS, tu peux choisir de ne pas installer l'environnement de bureau (Raspberry Pi OS Lite), ce qui permet d'économiser un peu de RAM sur l'appareil et de libérer plus d'espace pour le traitement de la vision par ordinateur.

3. Overclocker le Raspberry Pi

   Si tu souhaites un léger gain de performance lors de l'exécution des modèles Ultralytics YOLO26 sur Raspberry Pi 5, tu peux overclocker le CPU de sa base de 2,4 GHz à 2,9 GHz et le GPU de 800 MHz à 1 GHz. Si le système devient instable ou plante, réduis les valeurs d'overclocking par incréments de 100 MHz. Assure-toi qu'un refroidissement adéquat est en place, car l'overclocking augmente la production de chaleur et peut entraîner une limitation thermique.

   a. Mets à jour le logiciel

   sudo apt update && sudo apt dist-upgrade

   b. Ouvre le fichier de configuration pour le modifier

   sudo nano /boot/firmware/config.txt

   c. Ajoute les lignes suivantes en bas

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. Enregistre et quitte en appuyant sur CTRL + X, puis Y, et appuie sur ENTREE

   e. Redémarre le Raspberry Pi

Prochaines étapes#

Tu as configuré avec succès YOLO26 sur ton Raspberry Pi. Pour aller plus loin, explore le mode Prédiction pour plus d'options d'inférence, le mode Export pour des formats de déploiement supplémentaires, ou le guide NVIDIA Jetson si tu as besoin de plus de puissance de calcul à la périphérie. Pour consulter la documentation complète, visite la documentation Ultralytics YOLO26.

Remerciements et Citations#

Ce guide a été initialement créé par Daan Eeltink pour la Kashmir World Foundation, une organisation dédiée à l'utilisation de YOLO pour la conservation des espèces menacées. Nous reconnaissons leur travail pionnier et leur orientation éducative dans le domaine des technologies de détection d'objets.

Pour plus d'informations sur les activités de la Kashmir World Foundation, tu peux visiter leur site Web.

FAQ#