Guide de démarrage rapide : Raspberry Pi avec Ultralytics YOLOv8

Ce guide complet fournit une marche à suivre détaillée pour déployer Ultralytics YOLOv8 sur les appareils Raspberry Pi. En outre, il présente des repères de performance pour démontrer les capacités de YOLOv8 sur ces appareils petits et puissants.

Regarde : Mises à jour et améliorations du Raspberry Pi 5.

Qu'est-ce que le Raspberry Pi ?

Raspberry Pi est un petit ordinateur monocarte abordable. Il est devenu populaire pour un large éventail 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. Il existe différents modèles avec des spécifications variables, mais ils partagent tous la même philosophie de conception de base, à savoir être peu coûteux, compacts et polyvalents.

Comparaison des séries Raspberry Pi

Qu'est-ce que le 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 Raspberry Pi d'ordinateurs monocartes compacts distribués par la Fondation Raspberry Pi. Raspberry Pi OS est hautement optimisé pour le Raspberry Pi avec des processeurs ARM et utilise un environnement de bureau LXDE modifié avec le gestionnaire de fenêtres par empilement Openbox. Raspberry Pi OS est en cours de développement actif, l'accent étant mis sur l'amélioration de la stabilité et des performances du plus grand nombre possible de paquets Debian sur Raspberry Pi.

Flash Raspberry Pi OS sur Raspberry Pi

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

Mise en place Ultralytics

Il y a deux façons de configurer le paquet Ultralytics sur Raspberry Pi pour construire ton prochain projet de vision par ordinateur. Tu peux utiliser l'une ou l'autre.

• Commence avec Docker
• Démarrer sans Docker

Commence avec Docker

La façon la plus rapide de commencer avec Ultralytics YOLOv8 sur Raspberry Pi est de fonctionner avec une image docker préconstruite pour Raspberry Pi.

Exécute la commande ci-dessous pour tirer le conteneur Docker et l'exécuter sur le Raspberry Pi. Celui-ci est basé sur l'image docker arm64v8/debian qui contient Debian 12 (Bookworm) dans un environnement Python3.

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

Une fois que c'est fait, passe à la section Utiliser NCNN sur Raspberry Pi.

Démarrer sans Docker

Installer le paquet Ultralytics

Ici, nous allons installer Ultralytics sur le Raspberry Pi avec des dépendances optionnelles afin que nous puissions exporter le PyTorch modèles à d’autres formats différents.

1. Mettre à jour la liste des paquets, 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 ultralytics paquet pip avec dépendances optionnelles

   pip install ultralytics[export]
   

3. Redémarre l'appareil

   sudo reboot
   

Utilise NCNN sur Raspberry Pi

Parmi tous les formats d’exportation de modèles pris en charge par Ultralytics, NCNN offre les meilleures performances d’inférence lors de l’utilisation de périphériques Raspberry Pi car NCNN est hautement optimisé pour les plates-formes mobiles/embarquées (telles que l’architecture ARM). Par conséquent, notre recommandation est d’utiliser NCNN avec Raspberry Pi.

Convertir le modèle en NCNN et lancer l'inférence

Le modèle YOLOv8n au format PyTorch est converti en NCNN pour effectuer une inférence avec le modèle exporté.

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolov8n_ncnn_model")

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

# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates 'yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Raspberry Pi 5 vs Raspberry Pi 4 YOLOv8 Benchmarks

YOLOv8 ont été effectués par le Ultralytics Équipe sur neuf formats de modèles différents mesurant la vitesse et la précision : PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite PaddlePaddle, NCNN. Les benchmarks ont été exécutés sur Raspberry Pi 5 et Raspberry Pi 4 avec une précision FP32 avec une taille d’image d’entrée par défaut de 640.

Tableau de comparaison

Performance

YOLOv8nYOLOv8s

Tableau comparatif détaillé

Le tableau ci-dessous présente les résultats de référence pour deux modèles différents (YOLOv8n, YOLOv8s) dans neuf formats différents (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite PaddlePaddle, NCNN), fonctionnant à la fois sur Raspberry Pi 4 et Raspberry Pi 5, nous donnant l’état, la taille, la métrique mAP50-95(B) et le temps d’inférence pour chaque combinaison.

Reproduis nos résultats

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

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
results = model.benchmarks(data="coco8.yaml", imgsz=640)

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
yolo benchmark model=yolov8n.pt data=coco8.yaml imgsz=640

Utilise la caméra du Raspberry Pi

Lorsque l'on utilise le Raspberry Pi pour des projets de vision par ordinateur, il peut être essentiel de saisir des flux vidéo en temps réel pour effectuer des inférences. Le connecteur MIPI CSI intégré au Raspberry Pi te permet de connecter des modules de caméra Raspberry PI officiels. Dans ce guide, nous avons utilisé un module de caméra Raspberry Pi 3 pour saisir les flux vidéo et effectuer l'inférence à l'aide des modèles YOLOv8 .

Teste l'appareil photo

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 du Raspberry Pi afin d'inférer des modèles YOLOv8 .

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 YOLOv8 model
model = YOLO("yolov8n.pt")

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

    # Run YOLOv8 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 YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

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

yolo predict model=yolov8n.pt source="tcp://127.0.0.1:8888"

Meilleures pratiques lors de l'utilisation de Raspberry Pi

Il y a quelques bonnes pratiques à suivre afin d'obtenir des performances maximales sur les Raspberry Pis fonctionnant sous YOLOv8.

1. Utilise un disque dur SSD

   Lorsque l'on utilise le Raspberry Pi pour une utilisation continue 24x7, il est recommandé d'utiliser un SSD pour le système, car une carte SD ne pourra pas supporter les écritures continues et risque de se casser. Avec le connecteur PCIe embarqué sur le Raspberry Pi 5, tu peux maintenant connecter des disques SSD à l'aide d'un adaptateur tel que la base NVMe pour Raspberry Pi 5.

2. Flash sans interface graphique

   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 mémoire vive sur l'appareil, laissant ainsi plus d'espace pour le traitement de la vision par ordinateur.

Prochaines étapes

Félicitations pour avoir réussi à installer YOLO sur ton Raspberry Pi ! Pour plus d'informations et de soutien, visite Ultralytics YOLOv8 Docs et Kashmir World Foundation.

Remerciements et citations

Ce guide a été initialement créé par Daan Eeltink pour la Kashmir World Foundation, une organisation qui se consacre à l'utilisation de YOLO pour la conservation des espèces en voie de disparition. Nous reconnaissons leur travail de pionnier et leur souci d'éducation dans le domaine des technologies de détection d'objets.

Pour plus d'informations sur les activités de la Fondation mondiale du Cachemire, tu peux visiter son site Internet.

FAQ

Comment configurer Ultralytics YOLOv8 sur un Raspberry Pi sans utiliser Docker ?

Pour configurer Ultralytics YOLOv8 sur un Raspberry Pi sans Docker, suis les étapes suivantes :

1. Mets à jour la liste des paquets et installe-les pip:

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

2. Installe le paquetage Ultralytics avec les dépendances optionnelles :

   pip install ultralytics[export]
   

3. Redémarre l'appareil pour appliquer les changements :

   sudo reboot
   

Pour des instructions détaillées, reporte-toi à la section Démarrer sans Docker.

Pourquoi devrais-je utiliser le format Ultralytics YOLOv8 's NCNN sur Raspberry Pi pour des tâches d'intelligence artificielle ?

Ultralytics YOLOv8Le format NCNN est hautement optimisé pour les plateformes mobiles et embarquées, ce qui le rend idéal pour exécuter des tâches d'IA sur les appareils Raspberry Pi. NCNN maximise les performances d'inférence en tirant parti de l'architecture ARM, ce qui permet un traitement plus rapide et plus efficace par rapport à d'autres formats. Pour plus de détails sur les options d'exportation prises en charge, visite la page de documentationUltralytics sur les options de déploiement.

Comment puis-je convertir un modèle YOLOv8 au format NCNN pour l'utiliser sur Raspberry Pi ?

Tu peux convertir un modèle PyTorch YOLOv8 au format NCNN en utilisant les commandes Python ou CLI :

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolov8n_ncnn_model")

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

# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates 'yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Pour plus de détails, voir la section Utiliser NCNN sur Raspberry Pi.

Quelles sont les différences matérielles entre le Raspberry Pi 4 et le Raspberry Pi 5 en ce qui concerne l'exécution de YOLOv8?

Les principales différences sont les suivantes :

• CPU: Raspberry Pi 4 utilise Broadcom BCM2711, SoC Cortex-A72 64 bits, tandis que Raspberry Pi 5 utilise Broadcom BCM2712, SoC Cortex-A76 64 bits.
• Fréquence maximale CPU : Raspberry Pi 4 a une fréquence maximale de 1,8 GHz, tandis que Raspberry Pi 5 atteint 2,4 GHz.
• Mémoire: Raspberry Pi 4 offre jusqu'à 8 Go de SDRAM LPDDR4-3200, tandis que Raspberry Pi 5 dispose de SDRAM LPDDR4X-4267, disponible en variantes de 4 Go et 8 Go.

Ces améliorations contribuent à de meilleurs benchmarks de performance pour les modèles YOLOv8 sur le Raspberry Pi 5 par rapport au Raspberry Pi 4. Reporte-toi au tableau de comparaison des séries Raspberry Pi pour plus de détails.

Comment puis-je configurer un module de caméra Raspberry Pi pour qu'il fonctionne avec Ultralytics YOLOv8 ?

Il existe deux méthodes pour configurer une caméra Raspberry Pi pour l'inférence YOLOv8 :

1. Utilisation 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("yolov8n.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. Utilisation d'un flux TCP:

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

   from ultralytics import YOLO
   
   model = YOLO("yolov8n.pt")
   results = model("tcp://127.0.0.1:8888")
   

Pour des instructions de configuration détaillées, visite la section Inférence avec la caméra.

Commentaires