Guida rapida: Raspberry Pi con Ultralytics YOLO26#

Raspberry Pi è un computer piccolo ed economico che esegue Ultralytics YOLO26 per il rilevamento di oggetti in tempo reale al limite (edge) — senza bisogno di GPU. Questa guida ti accompagna nella distribuzione di YOLO26 su Raspberry Pi 4 e 5: scrittura del sistema operativo, installazione di Ultralytics, esportazione in NCNN per la massima velocità di inferenza su ARM ed esecuzione di previsioni su un feed di telecamera in diretta. Include anche benchmark delle prestazioni su otto formati di esportazione in modo da poter scegliere il miglior compromesso tra velocità e precisione per il tuo hardware.

Vai direttamente alla configurazione di Ultralytics, all'esportazione in NCNN e all'esecuzione dell'inferenza, ai benchmark o all'inferenza da telecamera.

Cos'è il Raspberry Pi?#

Raspberry Pi è un computer a scheda singola piccolo ed economico. È diventato popolare per un'ampia gamma di progetti e applicazioni, dall'automazione domestica per hobbisti agli usi industriali. Le schede Raspberry Pi sono in grado di eseguire una varietà di sistemi operativi e offrono pin GPIO (General Purpose Input/Output) che consentono una facile integrazione con sensori, attuatori e altri componenti hardware. Sono disponibili in diversi modelli con specifiche variabili, ma condividono tutti la stessa filosofia di design di base: essere a basso costo, compatti e versatili.

Confronto della serie Raspberry Pi#

Cos'è il Raspberry Pi OS?#

Raspberry Pi OS (precedentemente noto come Raspbian) è un sistema operativo simile a Unix basato sulla distribuzione Debian GNU/Linux per la famiglia di computer compatti a scheda singola Raspberry Pi distribuiti dalla Raspberry Pi Foundation. Raspberry Pi OS è altamente ottimizzato per Raspberry Pi con CPU ARM e utilizza un ambiente desktop LXDE modificato con il gestore di finestre a stack Openbox. Raspberry Pi OS è in attivo sviluppo, con un'enfasi sul miglioramento della stabilità e delle prestazioni del maggior numero possibile di pacchetti Debian su Raspberry Pi.

Flashare Raspberry Pi OS su Raspberry Pi#

La prima cosa da fare dopo aver messo le mani su un Raspberry Pi è scrivere un'immagine del sistema Raspberry Pi OS su una scheda micro-SD, inserita nel dispositivo e avviata nel sistema operativo. Segui la dettagliata Documentazione di Introduzione di Raspberry Pi per preparare il tuo dispositivo al primo utilizzo.

Configura Ultralytics#

Puoi configurare il pacchetto Ultralytics su Raspberry Pi in due modi per il tuo prossimo progetto di Visione Artificiale:

• Inizia con Docker
• Inizia senza Docker

Inizia con Docker#

Il modo più veloce per iniziare con Ultralytics YOLO26 su Raspberry Pi è utilizzare un'immagine Docker predefinita per Raspberry Pi.

Esegui il comando seguente per scaricare il contenitore Docker ed eseguirlo su Raspberry Pi. Questo si basa sull'immagine Docker arm64v8/ubuntu, che esegue Ubuntu 24.04 in un ambiente Python3.

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

L'immagine Docker include già Ultralytics, quindi puoi passare direttamente all'esportazione del tuo modello in NCNN.

Inizia senza Docker#

Installa il pacchetto Ultralytics#

Qui installeremo il pacchetto Ultralytics sul Raspberry Pi con dipendenze opzionali in modo da poter esportare i modelli PyTorch in altri formati.

1. Aggiorna l'elenco dei pacchetti, installa pip ed esegui l'aggiornamento all'ultima versione

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

2. Installa il pacchetto pip ultralytics con le dipendenze opzionali

   pip install ultralytics[export]

3. Riavvia il dispositivo

   sudo reboot

Usa NCNN su Raspberry Pi#

Tra tutti i formati di esportazione dei modelli supportati da Ultralytics, NCNN offre le migliori prestazioni di inferenza sui dispositivi Raspberry Pi perché è altamente ottimizzato per piattaforme mobili/incorporate come l'architettura ARM. Converti il tuo modello YOLO26n PyTorch in NCNN, quindi esegui l'inferenza con il modello esportato:

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")

Miglioramenti delle prestazioni di YOLO26 rispetto a YOLO11#

YOLO26 è progettato specificamente per essere eseguito su dispositivi con vincoli hardware come il Raspberry Pi 5. Rispetto a YOLO11n, YOLO26n ottiene un aumento di circa il 15% in FPS (6.79 → 7.79) offrendo al contempo un mAP più elevato (40.1 contro 39.5) a una dimensione di input di 640 con modelli esportati in ONNX su Raspberry Pi 5. La tabella e il grafico seguenti mostrano questo confronto.

Benchmark di YOLO26 su Raspberry Pi 5#

I benchmark di YOLO26 sono stati eseguiti dal team di Ultralytics su otto diversi formati di modelli misurando velocità e precisione: PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT. I benchmark sono stati eseguiti su un Raspberry Pi 5 a precisione FP32 con una dimensione dell'immagine di input predefinita di 640.

Tabella di confronto#

Abbiamo incluso solo i benchmark per i modelli YOLO26n e YOLO26s perché le altre dimensioni dei modelli sono troppo grandi per essere eseguite su Raspberry Pi e non offrono prestazioni decenti.

Tabella di confronto dettagliata#

La tabella seguente rappresenta i risultati dei benchmark per due modelli diversi (YOLO26n, YOLO26s) su otto formati diversi (PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT), in esecuzione su un Raspberry Pi 5, fornendoci lo stato, la dimensione, la metrica mAP50-95(B) e il tempo di inferenza per ogni combinazione.

Riproduci i nostri risultati#

Per riprodurre i suddetti benchmark di Ultralytics su tutti i formati di esportazione, esegui questo codice:

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)

Usa la fotocamera Raspberry Pi#

Quando usi Raspberry Pi per progetti di Visione Artificiale, può essere essenziale acquisire flussi video in tempo reale per eseguire l'inferenza. Il connettore MIPI CSI integrato sul Raspberry Pi ti consente di collegare moduli di telecamera ufficiali Raspberry Pi. In questa guida, abbiamo utilizzato un Modulo Telecamera Raspberry Pi 3 per acquisire i flussi video ed eseguire l'inferenza utilizzando i modelli YOLO26.

Prova la fotocamera#

Esegui il seguente comando dopo aver collegato la fotocamera al Raspberry Pi. Dovresti vedere un feed video in diretta dalla fotocamera per circa 5 secondi.

rpicam-hello

Inferenza con fotocamera#

Esistono due metodi per utilizzare la Raspberry Pi Camera per eseguire l'inference sui modelli 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()

Best practice durante l'utilizzo di Raspberry Pi#

Ci sono alcune best practice da seguire per ottenere le massime prestazioni su Raspberry Pi che eseguono YOLO26.

1. Usa un SSD

   Quando si utilizza Raspberry Pi per un uso continuo 24 ore su 24, 7 giorni su 7, si consiglia di utilizzare un SSD per il sistema perché una scheda SD non sarà in grado di resistere a scritture continue e potrebbe rompersi. Con il connettore PCIe integrato sul Raspberry Pi 5, ora puoi collegare SSD utilizzando un adattatore come la Base NVMe per Raspberry Pi 5.

2. Installa senza GUI

   Quando installi Raspberry Pi OS, puoi scegliere di non installare l'ambiente desktop (Raspberry Pi OS Lite) e questo può risparmiare un po' di RAM sul dispositivo, lasciando più spazio per l'elaborazione della visione artificiale.

3. Overclock del Raspberry Pi

   Se vuoi un piccolo incremento di prestazioni durante l'esecuzione dei modelli Ultralytics YOLO26 su Raspberry Pi 5, puoi effettuare l'overclock della CPU dalla base di 2.4GHz a 2.9GHz e della GPU da 800MHz a 1GHz. Se il sistema diventa instabile o si blocca, riduci i valori di overclock con incrementi di 100MHz. Assicurati che sia presente un raffreddamento adeguato, poiché l'overclock aumenta la generazione di calore e può portare al thermal throttling.

   a. Aggiorna il software

   sudo apt update && sudo apt dist-upgrade

   b. Apri il file di configurazione per modificarlo

   sudo nano /boot/firmware/config.txt

   c. Aggiungi le seguenti righe in fondo

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. Salva ed esci premendo CTRL + X, poi Y, e premi INVIO

   e. Riavvia il Raspberry Pi

Passaggi successivi#

Hai configurato con successo YOLO26 sul tuo Raspberry Pi. Per andare oltre, esplora la Modalità Predizione per ulteriori opzioni di inferenza, la Modalità di Esportazione per formati di distribuzione aggiuntivi o la guida NVIDIA Jetson se hai bisogno di maggiore capacità di calcolo al limite (edge). Per la documentazione completa, visita i Documenti di Ultralytics YOLO26.

Ringraziamenti e citazioni#

Questa guida è stata inizialmente creata da Daan Eeltink per la Kashmir World Foundation, un'organizzazione dedicata all'uso di YOLO per la conservazione delle specie in via di estinzione. Riconosciamo il loro lavoro pionieristico e l'attenzione educativa nel campo delle tecnologie di rilevamento degli oggetti.

Per ulteriori informazioni sulle attività della Kashmir World Foundation, puoi visitare il loro sito web.

FAQ#