सामग्री पर जाएं

क्विक स्टार्ट गाइड: रास्पबेरी पाई के साथ Ultralytics YOLOv8

यह व्यापक मार्गदर्शिका परिनियोजन के लिए एक विस्तृत पूर्वाभ्यास प्रदान करती है Ultralytics YOLOv8 रास्पबेरी पाई उपकरणों पर। इसके अतिरिक्त, यह क्षमताओं को प्रदर्शित करने के लिए प्रदर्शन बेंचमार्क दिखाता हैYOLOv8 इन छोटे और शक्तिशाली उपकरणों पर।



सतर्कता: रास्पबेरी पाई 5 अपडेट और सुधार।

नोट

इस गाइड का परीक्षण रास्पबेरी पाई 4 और रास्पबेरी पाई 5 के साथ नवीनतम रास्पबेरी पाई ओएस बुकवार्म (डेबियन 12) चलाने के साथ किया गया है। पुराने रास्पबेरी पाई उपकरणों के लिए इस गाइड का उपयोग करना जैसे कि रास्पबेरी पाई 3 तब तक काम करने की उम्मीद है जब तक कि एक ही रास्पबेरी पाई ओएस बुकवार्म स्थापित है।

रास्पबेरी पाई क्या है?

रास्पबेरी पाई एक छोटा, सस्ती, सिंगल-बोर्ड कंप्यूटर है। यह शौकिया होम ऑटोमेशन से लेकर औद्योगिक उपयोगों तक, परियोजनाओं और अनुप्रयोगों की एक विस्तृत श्रृंखला के लिए लोकप्रिय हो गया है। रास्पबेरी पाई बोर्ड विभिन्न प्रकार के ऑपरेटिंग सिस्टम चलाने में सक्षम हैं, और वे जीपीआईओ (सामान्य प्रयोजन इनपुट/आउटपुट) पिन प्रदान करते हैं जो सेंसर, एक्चुएटर और अन्य हार्डवेयर घटकों के साथ आसान एकीकरण की अनुमति देते हैं। वे अलग-अलग विशिष्टताओं के साथ अलग-अलग मॉडलों में आते हैं, लेकिन वे सभी कम लागत, कॉम्पैक्ट और बहुमुखी होने के समान मूल डिजाइन दर्शन को साझा करते हैं।

रास्पबेरी पाई श्रृंखला तुलना

रास्पबेरी पाई 3 रास्पबेरी पाई 4 रास्पबेरी पाई 5
CPU ब्रॉडकॉम BCM2837, Cortex-A53 64Bit SoC ब्रॉडकॉम BCM2711, Cortex-A72 64Bit SoC ब्रॉडकॉम BCM2712, Cortex-A76 64Bit SoC
CPU Max Frequency 1.4 गीगाहर्ट्ज़ 1.8 गीगाहर्ट्ज़ 2.4 गीगाहर्ट्ज़
GPU वीडियोकोर IV वीडियोकोर VI वीडियोकोर VII
GPU Max Frequency 400 मेगाहर्ट्ज 500 मेगाहर्ट्ज 800 मेगाहर्ट्ज
याद 1GB LPDDR2 SDRAM 1GB, 2GB, 4GB, 8GB LPDDR4-3200 SDRAM 4GB, 8GB LPDDR4X-4267 SDRAM
पीसीआईई एन/ए एन/ए 1xPCIe 2.0 इंटरफ़ेस
मैक्स पावर ड्रा 2.5A@5V 3A@5V 5A@5V (पीडी सक्षम)

रास्पबेरी पाई ओएस क्या है?

रास्पबेरी पाई ओएस (जिसे पहले रास्पियन के नाम से जाना जाता था) एक यूनिक्स जैसा ऑपरेटिंग सिस्टम है जो रास्पबेरी पाई फाउंडेशन द्वारा वितरित कॉम्पैक्ट सिंगल-बोर्ड कंप्यूटरों के रास्पबेरी पाई परिवार के लिए डेबियन जीएनयू / लिनक्स वितरण पर आधारित है। रास्पबेरी पाई ओएस एआरएम सीपीयू के साथ रास्पबेरी पाई के लिए अत्यधिक अनुकूलित है और ओपनबॉक्स स्टैकिंग विंडो मैनेजर के साथ एक संशोधित एलएक्सडीई डेस्कटॉप वातावरण का उपयोग करता है। रास्पबेरी पाई ओएस सक्रिय विकास के अधीन है, जिसमें रास्पबेरी पाई पर अधिक से अधिक डेबियन पैकेजों की स्थिरता और प्रदर्शन में सुधार पर जोर दिया गया है।

रास्पबेरी पाई ओएस को रास्पबेरी पाई में फ्लैश करें

रास्पबेरी पाई पर अपना हाथ रखने के बाद पहली बात यह है कि रास्पबेरी पाई ओएस के साथ एक माइक्रो-एसडी कार्ड फ्लैश करें, डिवाइस में डालें और ओएस में बूट करें।

तैयार करना Ultralytics

स्थापित करने के दो तरीके हैं Ultralytics अपने अगले कंप्यूटर विजन प्रोजेक्ट के निर्माण के लिए रास्पबेरी पाई पर पैकेज। आप उनमें से किसी एक का उपयोग कर सकते हैं।

डॉकर से शुरू करें

आरंभ करने का सबसे तेज़ तरीका Ultralytics YOLOv8 रास्पबेरी पाई पर रास्पबेरी पाई के लिए पूर्व-निर्मित डॉकर छवि के साथ चलना है।

डॉकर कंटेनर को खींचने और रास्पबेरी पाई पर चलाने के लिए नीचे दिए गए कमांड को निष्पादित करें। यह arm64v8/डेबियन डॉकर छवि पर आधारित है जिसमें पायथन 3 वातावरण में डेबियन 12 (किताबी कीड़ा) शामिल है।

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

हे पूर्ण झाल्यानंतर, जाहिरण्यासाठी जाणून घ्या प्रयोग NCNN रास्पबेरी पाई अनुभाग पर

डॉकर के बिना शुरू करें

पदासीन करना Ultralytics पैकेज

यहाँ हम स्थापित करेंगे Ultralytics वैकल्पिक निर्भरता के साथ रास्पबेरी पाई पर पैकेज ताकि हम PyTorch अन्य विभिन्न स्वरूपों के लिए मॉडल।

  1. पैकेज सूची अपडेट करें, पाइप स्थापित करें और नवीनतम में अपग्रेड करें

    sudo apt update
    sudo apt install python3-pip -y
    pip install -U pip
    
  2. पदासीन करना ultralytics वैकल्पिक निर्भरता के साथ पीआईपी पैकेज

    pip install ultralytics[export]
    
  3. डिवाइस को रिबूट करें

    sudo reboot
    

प्रयोग NCNN रास्पबेरी पाई पर

द्वारा समर्थित सभी मॉडल निर्यात स्वरूपों में से Ultralytics, NCNN रास्पबेरी पाई उपकरणों के साथ काम करते समय सबसे अच्छा अनुमान प्रदर्शन प्रदान करता है क्योंकि NCNN मोबाइल/एम्बेडेड प्लेटफॉर्म (जैसे एआरएम आर्किटेक्चर) के लिए अत्यधिक अनुकूलित है। इसलिए हमारी सिफारिश का उपयोग करना है NCNN रास्पबेरी पाई के साथ।

मॉडल को में बदलें NCNN और रन अनुमान

वही YOLOv8n मॉडल में PyTorch स्वरूप को इसमें बदल दिया जाता है NCNN निर्यात किए गए मॉडल के साथ अनुमान चलाने के लिए।

उदाहरण

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'

नोक

समर्थित निर्यात विकल्पों के बारे में अधिक जानकारी के लिए, पर जाएँ Ultralytics परिनियोजन विकल्पों पर प्रलेखन पृष्ठ

रास्पबेरी पाई 5 बनाम रास्पबेरी पाई 4 YOLOv8 मानक

YOLOv8 बेंचमार्क द्वारा चलाए गए थे Ultralytics गति और सटीकता को मापने वाले नौ अलग-अलग मॉडल प्रारूपों पर टीम: PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF लाइट PaddlePaddle, NCNN. बेंचमार्क रास्पबेरी पाई 5 और रास्पबेरी पाई 4 दोनों पर FP32 परिशुद्धता पर 640 के डिफ़ॉल्ट इनपुट छवि आकार के साथ चलाए गए थे।

नोट

हमने केवल बेंचमार्क शामिल किए हैं YOLOv8n और YOLOv8s मॉडल क्योंकि अन्य मॉडल आकार रास्पबेरी पाई पर चलाने के लिए बहुत बड़े हैं और सभ्य प्रदर्शन की पेशकश नहीं करते हैं।

तुलना चार्ट

प्रदर्शन

NVIDIA Jetson Ecosystem

NVIDIA Jetson Ecosystem

विस्तृत तुलना तालिका

नीचे दी गई तालिका दो अलग-अलग मॉडलों (YOLOv8n, YOLOv8s) नौ अलग-अलग प्रारूपों में (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF लाइट PaddlePaddle, NCNN), रास्पबेरी पाई 4 और रास्पबेरी पाई 5 दोनों पर चल रहा है, जिससे हमें प्रत्येक संयोजन के लिए स्थिति, आकार, mAP50-95 (B) मीट्रिक और अनुमान समय मिलता है।

प्रदर्शन

प्रारूप ओहदा डिस्क पर आकार (MB) एमएपी 50-95 (बी) अनुमान समय (ms/im)
PyTorch 6.2 0.6381 508.61
TorchScript 12.4 0.6092 558.38
ONNX 12.2 0.6092 198.69
OpenVINO 12.3 0.6092 704.70
TF SavedModel 30.6 0.6092 367.64
TF GraphDef 12.3 0.6092 473.22
TF लाइट 12.3 0.6092 380.67
PaddlePaddle 24.4 0.6092 703.51
NCNN 12.2 0.6034 94.28
प्रारूप ओहदा डिस्क पर आकार (MB) एमएपी 50-95 (बी) अनुमान समय (ms/im)
PyTorch 21.5 0.6967 969.49
TorchScript 43.0 0.7136 1110.04
ONNX 42.8 0.7136 451.37
OpenVINO 42.9 0.7136 873.51
TF SavedModel 107.0 0.7136 658.15
TF GraphDef 42.8 0.7136 946.01
TF लाइट 42.8 0.7136 1013.27
PaddlePaddle 85.5 0.7136 1560.23
NCNN 42.7 0.7204 211.26
प्रारूप ओहदा डिस्क पर आकार (MB) एमएपी 50-95 (बी) अनुमान समय (ms/im)
PyTorch 6.2 0.6381 1068.42
TorchScript 12.4 0.6092 1248.01
ONNX 12.2 0.6092 560.04
OpenVINO 12.3 0.6092 534.93
TF SavedModel 30.6 0.6092 816.50
TF GraphDef 12.3 0.6092 1007.57
TF लाइट 12.3 0.6092 950.29
PaddlePaddle 24.4 0.6092 1507.75
NCNN 12.2 0.6092 414.73
प्रारूप ओहदा डिस्क पर आकार (MB) एमएपी 50-95 (बी) अनुमान समय (ms/im)
PyTorch 21.5 0.6967 2589.58
TorchScript 43.0 0.7136 2901.33
ONNX 42.8 0.7136 1436.33
OpenVINO 42.9 0.7136 1225.19
TF SavedModel 107.0 0.7136 1770.95
TF GraphDef 42.8 0.7136 2146.66
TF लाइट 42.8 0.7136 2945.03
PaddlePaddle 85.5 0.7136 3962.62
NCNN 42.7 0.7136 1042.39

हमारे परिणामों को पुन: पेश करें

उपरोक्त को पुन: पेश करने के लिए Ultralytics सभी निर्यात प्रारूपों पर बेंचमार्क, इस कोड को चलाएं:

उदाहरण

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

ध्यान दें कि बेंचमार्किंग परिणाम सिस्टम के सटीक हार्डवेयर और सॉफ़्टवेयर कॉन्फ़िगरेशन के साथ-साथ बेंचमार्क चलाए जाने के समय सिस्टम के वर्तमान कार्यभार के आधार पर भिन्न हो सकते हैं। सबसे विश्वसनीय परिणामों के लिए बड़ी संख्या में छवियों के साथ डेटासेट का उपयोग करें, अर्थात। data='coco8.yaml' (4 val images), ordata='coco.yaml'' (5000 val images).

रास्पबेरी पाई कैमरा का प्रयोग करें

कंप्यूटर विजन परियोजनाओं के लिए रास्पबेरी पाई का उपयोग करते समय, यह अनिवार्य रूप से अनुमान लगाने के लिए वास्तविक समय वीडियो फ़ीड को हथियाने के लिए हो सकता है। रास्पबेरी पाई पर ऑनबोर्ड MIPI CSI कनेक्टर आपको आधिकारिक रास्पबेरी PI कैमरा मॉड्यूल कनेक्ट करने की अनुमति देता है। इस गाइड में, हमने वीडियो फीड को हथियाने और अनुमान लगाने के लिए रास्पबेरी पाई कैमरा मॉड्यूल 3 का उपयोग किया है YOLOv8 मॉडल।

नोट

रास्पबेरी पाई 5 रास्पबेरी पाई 4 (15-पिन बनाम 22-पिन) की तुलना में छोटे सीएसआई कनेक्टर का उपयोग करता है, इसलिए आपको रास्पबेरी पाई कैमरा से कनेक्ट करने के लिए 15-पिन से 22pin एडाप्टर केबल की आवश्यकता होगी।

कैमरे का परीक्षण करें

कैमरे को रास्पबेरी पाई से कनेक्ट करने के बाद निम्न कमांड निष्पादित करें। आपको लगभग 5 सेकंड के लिए कैमरे से लाइव वीडियो फ़ीड देखनी चाहिए।

rpicam-hello

कैमरे के साथ अनुमान

अनुमान लगाने के लिए रास्पबेरी पाई कैमरा का उपयोग करने के 2 तरीके हैं YOLOv8 मॉडल।

उपयोग

हम उपयोग कर सकते हैं picamera2जो कैमरा और अनुमान तक पहुंचने के लिए रास्पबेरी पाई ओएस के साथ पहले से इंस्टॉल आता है YOLOv8 मॉडल।

उदाहरण

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()

हमें टीसीपी स्ट्रीम शुरू करने की आवश्यकता है rpicam-vid कनेक्टेड कैमरे से ताकि हम इस स्ट्रीम URL को इनपुट के रूप में उपयोग कर सकें जब हम बाद में अनुमान लगा रहे हों। TCP स्ट्रीम प्रारंभ करने के लिए निम्न आदेश निष्पादित करें।

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

इसके बारे में अधिक जानें rpicam-vid आधिकारिक रास्पबेरी पाई प्रलेखन पर उपयोग

उदाहरण

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"

नोक

यदि आप छवि/वीडियो इनपुट प्रकार बदलना चाहते हैं तो अनुमान स्रोतों पर हमारे दस्तावेज़ की जाँच करें

रास्पबेरी पाई का उपयोग करते समय सर्वोत्तम अभ्यास

रास्पबेरी पाई चलाने पर अधिकतम प्रदर्शन को सक्षम करने के लिए पालन करने के लिए कुछ सर्वोत्तम प्रथाएं हैं YOLOv8.

  1. एसएसडी का प्रयोग करें

    24x7 निरंतर उपयोग के लिए रास्पबेरी पाई का उपयोग करते समय, सिस्टम के लिए एसएसडी का उपयोग करने की सिफारिश की जाती है क्योंकि एक एसडी कार्ड निरंतर लेखन का सामना करने में सक्षम नहीं होगा और टूट सकता है। रास्पबेरी पाई 5 पर ऑनबोर्ड PCIe कनेक्टर के साथ, अब आप रास्पबेरी पाई 5 के लिए NVMe बेस जैसे एडेप्टर का उपयोग करके SSDs को कनेक्ट कर सकते हैं।

  2. जीयूआई के बिना फ्लैश

    रास्पबेरी पाई ओएस चमकते समय, आप डेस्कटॉप वातावरण (रास्पबेरी पाई ओएस लाइट) को स्थापित नहीं करना चुन सकते हैं और यह डिवाइस पर थोड़ी रैम बचा सकता है, जिससे कंप्यूटर विज़न प्रोसेसिंग के लिए अधिक जगह निकल जाती है।

अगले कदम

सफलतापूर्वक सेट अप करने पर बधाई YOLO अपने रास्पबेरी पाई पर! आगे सीखने और समर्थन के लिए, यात्रा करें Ultralytics YOLOv8 डॉक्स और कश्मीर वर्ल्ड फाउंडेशन

पावती और उद्धरण

यह गाइड शुरू में कश्मीर वर्ल्ड फाउंडेशन के लिए दान ईल्टिंक द्वारा बनाया गया था, जो कि के उपयोग के लिए समर्पित संगठन है YOLO लुप्तप्राय प्रजातियों के संरक्षण के लिए। हम ऑब्जेक्ट डिटेक्शन टेक्नोलॉजीज के दायरे में उनके अग्रणी काम और शैक्षिक फोकस को स्वीकार करते हैं।

कश्मीर वर्ल्ड फाउंडेशन की गतिविधियों के बारे में अधिक जानकारी के लिए, आप उनकी वेबसाइट पर जा सकते हैं।

अक्सर पूछे जाने वाले प्रश्न

मैं कैसे सेट अप करूँ Ultralytics YOLOv8 डॉकर का उपयोग किए बिना रास्पबेरी पाई पर?

सेट अप करने के लिए Ultralytics YOLOv8 डॉकर के बिना रास्पबेरी पाई पर, इन चरणों का पालन करें:

  1. पैकेज सूची अद्यतन करें और स्थापित करें pip:
    sudo apt update
    sudo apt install python3-pip -y
    pip install -U pip
    
  2. स्थापित करा Ultralytics वैकल्पिक निर्भरता के साथ पैकेज:
    pip install ultralytics[export]
    
  3. परिवर्तन लागू करने के लिए डिवाइस को रीबूट करें:
    sudo reboot
    

विस्तृत निर्देशों के लिए, देखें डॉकर के बिना शुरू करें अनुभाग।

मुझे क्यों उपयोग करना चाहिए Ultralytics YOLOv8का NCNN एआई कार्यों के लिए रास्पबेरी पाई पर प्रारूप?

Ultralytics YOLOv8का NCNN प्रारूप मोबाइल और एम्बेडेड प्लेटफॉर्म के लिए अत्यधिक अनुकूलित है, जो इसे रास्पबेरी पाई उपकरणों पर एआई कार्यों को चलाने के लिए आदर्श बनाता है। NCNN एआरएम आर्किटेक्चर का लाभ उठाकर अनुमान प्रदर्शन को अधिकतम करता है, अन्य प्रारूपों की तुलना में तेज और अधिक कुशल प्रसंस्करण प्रदान करता है। समर्थित निर्यात विकल्पों के बारे में अधिक जानकारी के लिए, पर जाएँ Ultralytics परिनियोजन विकल्पों पर दस्तावेज़ीकरण पृष्ठ

मैं एक YOLOv8 करने के लिए मॉडल NCNN रास्पबेरी पाई पर उपयोग के लिए प्रारूप?

आप एक परिवर्तित कर सकते हैं PyTorch YOLOv8 करने के लिए मॉडल NCNN या तो उपयोग करके प्रारूप Python नहीं तो CLI आदेश:

उदाहरण

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'

अधिक जानकारी के लिए, देखें प्रयोग NCNN रास्पबेरी पाई अनुभाग पर

रास्पबेरी पाई 4 और रास्पबेरी पाई 5 के बीच हार्डवेयर अंतर क्या हैं जो चलने के लिए प्रासंगिक हैं YOLOv8?

मुख्य अंतर में शामिल हैं:

  • CPU: Raspberry Pi 4 uses Broadcom BCM2711, Cortex-A72 64-bit SoC, while Raspberry Pi 5 uses Broadcom BCM2712, Cortex-A76 64-bit SoC.
  • Max CPU Frequency: Raspberry Pi 4 has a max frequency of 1.8GHz, whereas Raspberry Pi 5 reaches 2.4GHz.
  • मेमोरी: रास्पबेरी पाई 4 8GB तक LPDDR4-3200 SDRAM प्रदान करता है, जबकि रास्पबेरी पाई 5 में LPDDR4X-4267 SDRAM है, जो 4GB और 8GB वेरिएंट में उपलब्ध है।

ये संवर्द्धन निम्नलिखित के लिए बेहतर प्रदर्शन बेंचमार्क में योगदान करते हैं YOLOv8 रास्पबेरी पाई 5 की तुलना में रास्पबेरी पाई 4 पर मॉडल। अधिक विवरण के लिए रास्पबेरी पाई श्रृंखला तुलना तालिका देखें।

मैं काम करने के लिए रास्पबेरी पाई कैमरा मॉड्यूल कैसे सेट कर सकता हूं Ultralytics YOLOv8?

के लिए रास्पबेरी पाई कैमरा सेट करने के दो तरीके हैं YOLOv8 अनुमान:

  1. का उपयोग करके 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. TCP स्ट्रीम का उपयोग करना:

    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")
    

विस्तृत सेटअप निर्देशों के लिए, कैमरा अनुभाग के साथ अनुमान पर जाएं।



बनाया गया 2023-11-12, अपडेट किया गया 2024-07-05
लेखक: ग्लेन-जोचर (9), इवोरझू331 (1), लक्षंथाद (2)

टिप्पणियाँ