Guida rapida: Raspberry Pi con Ultralytics YOLOv8

Questa guida completa fornisce una guida dettagliata per l'implementazione di Ultralytics YOLOv8 sui dispositivi Raspberry Pi. Inoltre, mostra i benchmark delle prestazioni per dimostrare le capacità di YOLOv8 su questi piccoli e potenti dispositivi.

Guarda: Aggiornamenti e miglioramenti del Raspberry Pi 5.

Che cos'è Raspberry Pi?

Raspberry Pi è un computer a scheda singola piccolo e conveniente. È diventato popolare per un'ampia gamma di progetti e applicazioni, dall'automazione domestica per gli 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 diverse, ma tutti condividono la stessa filosofia di progettazione di base: basso costo, compattezza e versatilità.

Confronto tra le serie Raspberry Pi

Che cos'è il sistema operativo Raspberry Pi?

Raspberry Pi OS (precedentemente noto come Raspbian) è un sistema operativo di tipo Unix basato sulla distribuzione Debian GNU/Linux per la famiglia di computer single-board compatti Raspberry Pi distribuiti dalla Raspberry Pi Foundation. Raspberry Pi OS è altamente ottimizzato per il Raspberry Pi con CPU ARM e utilizza un ambiente desktop LXDE modificato con il gestore di finestre Openbox. Raspberry Pi OS è in fase di sviluppo attivo, con particolare attenzione al miglioramento della stabilità e delle prestazioni del maggior numero possibile di pacchetti Debian su Raspberry Pi.

Flash Raspberry Pi OS su Raspberry Pi

La prima cosa da fare dopo aver messo le mani su Raspberry Pi è flashare una scheda micro-SD con Raspberry Pi OS, inserirla nel dispositivo e avviare il sistema operativo. Segui la dettagliata documentazione introduttiva di Raspberry Pi per preparare il dispositivo al primo utilizzo.

Configurazione Ultralytics

Esistono due modi per configurare il pacchetto Ultralytics su Raspberry Pi per realizzare il tuo prossimo progetto di Computer Vision. Puoi utilizzare uno dei due.

• Iniziare con Docker
• Iniziare senza Docker

Iniziare con Docker

Il modo più veloce per iniziare a utilizzare Ultralytics YOLOv8 su Raspberry Pi è quello di eseguire un'immagine docker precostituita per Raspberry Pi.

Esegui il comando seguente per estrarre il contenitore Docker ed eseguirlo su Raspberry Pi. Questo è basato sull'immagine docker arm64v8/debian che contiene Debian 12 (Bookworm) in un ambiente Python3.

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

Fatto questo, passa alla sezione Utilizzare NCNN su Raspberry Pi.

Iniziare senza Docker

Installa il pacchetto Ultralytics

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

1. Aggiornare l'elenco dei pacchetti, installare pip e passare all'ultimo aggiornamento

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

2. Installa ultralytics pacchetto pip con 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 quando si lavora con i dispositivi Raspberry Pi perché NCNN è altamente ottimizzato per piattaforme mobili/embedded (come l'architettura ARM). Per questo motivo il nostro consiglio è di utilizzare NCNN con Raspberry Pi.

Convertire il modello in NCNN ed eseguire l'inferenza

Il modello YOLOv8n in formato PyTorch viene convertito in NCNN per eseguire l'inferenza con il modello esportato.

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 Benchmark

YOLOv8 parametri di riferimento sono stati gestiti dal Ultralytics su nove diversi formati di modelli che misurano velocità e precisione: PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite PaddlePaddle, NCNN. I benchmark sono stati eseguiti sia su Raspberry Pi 5 che su Raspberry Pi 4 con una precisione FP32 con una dimensione predefinita dell'immagine di input di 640.

Tabella di confronto

Prestazioni

YOLOv8nYOLOv8s

Tabella comparativa dettagliata

La tabella seguente rappresenta i risultati dei benchmark per due diversi modelli (YOLOv8n, YOLOv8s) in nove formati diversi (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite PaddlePaddle, NCNN), in esecuzione sia su Raspberry Pi 4 che su Raspberry Pi 5, fornendoci lo stato, le dimensioni, la metrica mAP50-95(B) e il tempo di inferenza per ogni combinazione.

Riprodurre i nostri risultati

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

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

Usa la fotocamera di Raspberry Pi

Quando si utilizza Raspberry Pi per progetti di Computer Vision, può essere fondamentale acquisire feed video in tempo reale per eseguire inferenze. Il connettore MIPI CSI integrato in Raspberry Pi ti permette di collegare i moduli telecamera ufficiali di Raspberry PI. In questa guida abbiamo utilizzato un modulo fotocamera Raspberry Pi 3 per acquisire i feed video ed eseguire l'inferenza utilizzando i modelli YOLOv8 .

Prova la videocamera

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

rpicam-hello

Inferenza con la telecamera

Esistono due metodi per utilizzare la fotocamera di Raspberry Pi per dedurre i modelli di 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"

Migliori pratiche per l'utilizzo di Raspberry Pi

Ci sono un paio di buone pratiche da seguire per ottenere il massimo delle prestazioni su Raspberry Pis con YOLOv8.

1. Usa un SSD

   Quando si utilizza Raspberry Pi per un uso continuativo 24 ore su 24, 7 giorni su 7, è consigliabile utilizzare un SSD per il sistema perché una scheda SD non è in grado di sopportare scritture continue e potrebbe rompersi. Grazie al connettore PCIe integrato nel Raspberry Pi 5, ora è possibile collegare le unità SSD utilizzando un adattatore come NVMe Base for Raspberry Pi 5.

2. Flash senza interfaccia grafica

   Quando flashi Raspberry Pi OS, puoi scegliere di non installare l'ambiente Desktop (Raspberry Pi OS Lite): in questo modo puoi risparmiare un po' di RAM sul dispositivo, lasciando più spazio per l'elaborazione della computer vision.

I prossimi passi

Congratulazioni per aver configurato con successo YOLO sul tuo Raspberry Pi! Per ulteriori informazioni e supporto, visita Ultralytics YOLOv8 Docs e Kashmir World Foundation.

Ringraziamenti e citazioni

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

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

DOMANDE FREQUENTI

Come posso configurare Ultralytics YOLOv8 su un Raspberry Pi senza usare Docker?

Per configurare Ultralytics YOLOv8 su un Raspberry Pi senza Docker, segui questi passaggi:

1. Aggiorna l'elenco dei pacchetti e installa pip:

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

2. Installa il pacchetto Ultralytics con le dipendenze opzionali:

   pip install ultralytics[export]
   

3. Riavvia il dispositivo per applicare le modifiche:

   sudo reboot
   

Per istruzioni dettagliate, consulta la sezione Avviare senza Docker.

Perché dovrei usare il formato Ultralytics YOLOv8 's NCNN su Raspberry Pi per le attività di intelligenza artificiale?

Ultralytics YOLOv8Il formato NCNN è altamente ottimizzato per le piattaforme mobili ed embedded, il che lo rende ideale per l'esecuzione di attività di intelligenza artificiale su dispositivi Raspberry Pi. NCNN massimizza le prestazioni dell'inferenza sfruttando l'architettura ARM, fornendo un'elaborazione più veloce ed efficiente rispetto ad altri formati. Per maggiori dettagli sulle opzioni di esportazione supportate, visita la pagina di documentazione diUltralytics sulle opzioni di distribuzione.

Come posso convertire un modello YOLOv8 in formato NCNN per utilizzarlo su Raspberry Pi?

Puoi convertire un modello PyTorch YOLOv8 in formato NCNN utilizzando i comandi Python o 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'

Per maggiori dettagli, consulta la sezione Utilizzare NCNN su Raspberry Pi.

Quali sono le differenze hardware tra Raspberry Pi 4 e Raspberry Pi 5 per l'esecuzione di YOLOv8?

Le differenze principali includono:

• CPU: Raspberry Pi 4 utilizza il SoC Broadcom BCM2711, Cortex-A72 a 64 bit, mentre Raspberry Pi 5 utilizza il SoC Broadcom BCM2712, Cortex-A76 a 64 bit.
• Frequenza massima CPU : Raspberry Pi 4 ha una frequenza massima di 1,8GHz, mentre Raspberry Pi 5 raggiunge i 2,4GHz.
• Memoria: Raspberry Pi 4 offre fino a 8GB di SDRAM LPDDR4-3200, mentre Raspberry Pi 5 dispone di SDRAM LPDDR4X-4267, disponibile nelle varianti da 4GB e 8GB.

Questi miglioramenti contribuiscono a migliorare i benchmark delle prestazioni dei modelli YOLOv8 su Raspberry Pi 5 rispetto a Raspberry Pi 4. Per maggiori dettagli, consulta la tabella comparativa della serie Raspberry Pi.

Come posso configurare un modulo fotocamera Raspberry Pi in modo che funzioni con Ultralytics YOLOv8 ?

Esistono due metodi per configurare una fotocamera Raspberry Pi per l'inferenza di YOLOv8 :

1. Utilizzando 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. Utilizzo di un flusso 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")
   

Per istruzioni dettagliate sulla configurazione, visita la sezione Inferenza con telecamera.

Commenti