Guida rapida: Raspberry Pi con Ultralytics YOLO26#

Raspberry Pi è un computer piccolo ed economico che esegue Ultralytics YOLO26 per la rilevazione degli oggetti in tempo reale all'edge, senza bisogno di una GPU. Questa guida ti accompagna nella distribuzione di YOLO26 su Raspberry Pi 4 e 5: dalla scrittura del sistema operativo all'installazione di Ultralytics, dall'esportazione in NCNN per ottenere la massima velocità di inferenza su ARM, fino all'esecuzione delle predizioni su un flusso video della fotocamera in diretta. Include anche benchmark delle prestazioni su otto formati di esportazione, così puoi scegliere il compromesso migliore tra velocità e accuratezza per il tuo hardware.

Vai direttamente a configurazione di Ultralytics, esportazione in NCNN ed esecuzione dell'inferenza, benchmark o inferenza con la fotocamera.

Che cos'è Raspberry Pi?#

Raspberry Pi è un computer a scheda singola piccolo ed economico. È diventato popolare per un'ampia gamma di progetti e applicazioni, dalla domotica amatoriale agli impieghi industriali. Le schede Raspberry Pi sono in grado di eseguire diversi sistemi operativi e offrono pin GPIO (input/output per uso generico), che consentono una facile integrazione con sensori, attuatori e altri componenti hardware. Sono disponibili in modelli diversi con specifiche differenti, ma condividono tutti la stessa filosofia di base: essere economici, compatti e versatili.

Confronto tra le serie Raspberry Pi#

Che cos'è 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 Raspberry Pi di computer compatti a scheda singola, 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 window manager a finestre sovrapposte Openbox. Raspberry Pi OS è in continuo sviluppo, con particolare attenzione al miglioramento della stabilità e delle prestazioni del maggior numero possibile di pacchetti Debian su Raspberry Pi.

Scrivere Raspberry Pi OS su Raspberry Pi#

La prima cosa da fare dopo aver acquistato un Raspberry Pi è scrivere Raspberry Pi OS su una scheda micro-SD, inserirla nel dispositivo e avviare il sistema operativo. Segui la documentazione introduttiva dettagliata di Raspberry Pi per preparare il 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 rapido per iniziare a usare Ultralytics YOLO26 su Raspberry Pi è eseguirlo con un'immagine Docker precompilata per Raspberry Pi.

Esegui il comando seguente per scaricare il container Docker ed eseguirlo su Raspberry Pi. 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 a esportare il tuo modello in NCNN.

Inizia senza Docker#

Installare il pacchetto Ultralytics#

Qui installeremo il pacchetto Ultralytics su Raspberry Pi. Le dipendenze per l'esportazione in formati come NCNN vengono installate automaticamente la prima volta che esporti un modello PyTorch, quindi qui è necessario solo il pacchetto di base.

1. Aggiornare l'elenco dei pacchetti, installare pip e aggiornarlo all'ultima versione

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

2. Installare il pacchetto pip ultralytics

   pip install ultralytics

3. Riavviare 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/embedded 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 funzionare su dispositivi con risorse hardware limitate, come Raspberry Pi 5. Rispetto a YOLO11n, YOLO26n raggiunge un aumento di circa ~15% degli FPS (6.79 → 7.79) offrendo al contempo un mAP più elevato (40.1 contro 39.5) con immagini di input da 640 e 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 Ultralytics su otto diversi formati di modello, misurando velocità e accuratezza: PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT. I benchmark sono stati eseguiti su un Raspberry Pi 5 con precisione FP32 e dimensione predefinita dell'immagine di input pari a 640.

Grafico di confronto#

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

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), eseguiti su un Raspberry Pi 5, e riporta stato, dimensione, metrica mAP50-95(B) e tempo di inferenza per ogni combinazione.

Riproduci i nostri risultati#

Per riprodurre i benchmark Ultralytics precedenti 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 di 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 in Raspberry Pi consente di collegare i moduli fotocamera ufficiali Raspberry Pi. In questa guida abbiamo usato un Raspberry Pi Camera Module 3 per acquisire i flussi video ed eseguire l'inferenza usando i modelli YOLO26.

Testa la fotocamera#

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

rpicam-hello

Inferenza con la fotocamera#

Esistono due metodi per usare la fotocamera Raspberry Pi per eseguire l'inferenza 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 per l'utilizzo di Raspberry Pi#

Per ottenere le massime prestazioni sui Raspberry Pi che eseguono YOLO26, ci sono alcune best practice da seguire.

1. Usa un SSD

   Quando usi Raspberry Pi in modo continuativo 24 ore su 24, 7 giorni su 7, è consigliabile usare un SSD per il sistema, perché una scheda SD non è in grado di sopportare scritture continue e potrebbe danneggiarsi. Grazie al connettore PCIe integrato in Raspberry Pi 5, ora puoi collegare SSD usando un adattatore come il NVMe Base for Raspberry Pi 5.

2. Scrivi l'immagine senza interfaccia grafica

   Quando scrivi Raspberry Pi OS, puoi scegliere di non installare l'ambiente desktop (Raspberry Pi OS Lite), risparmiando così una parte della RAM del dispositivo e lasciando più spazio all'elaborazione di visione artificiale.

3. Overclocca Raspberry Pi

   Se vuoi un piccolo incremento delle prestazioni durante l'esecuzione dei modelli di Ultralytics YOLO26 su Raspberry Pi 5, puoi effettuare l'overclock della CPU dalla frequenza base di 2.4GHz a 3.0GHz 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 di disporre di un raffreddamento adeguato, poiché l'overclock aumenta la generazione di calore e potrebbe 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 righe seguenti in fondo

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

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

   e. Riavvia Raspberry Pi

Passaggi successivi#

Hai configurato correttamente YOLO26 sul tuo Raspberry Pi. Per approfondire, esplora la modalità Predict per ulteriori opzioni di inferenza, la modalità Export per altri formati di distribuzione oppure la guida NVIDIA Jetson se ti serve maggiore potenza di calcolo all'edge. Per la documentazione completa, visita la documentazione di Ultralytics YOLO26.

Ringraziamenti e citazioni#

Questa guida è stata inizialmente creata da Daan Eeltink per Kashmir World Foundation, un'organizzazione dedicata all'uso di YOLO per la conservazione delle specie a rischio di estinzione. Riconosciamo il loro lavoro pionieristico e il loro impegno educativo nel campo delle tecnologie di rilevazione degli oggetti.

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

FAQ#