Link to this sectionRaspberry Pi에서 Coral Edge TPU를 사용하여 Ultralytics YOLO26을 실행하는 방법#

Raspberry Pi는 엣지에서 컴퓨터 비전을 실행하기 위한 전력 효율적이고 저렴한 플랫폼이지만, ONNX나 OpenVINO와 같이 최적화된 형식을 사용하더라도 온디바이스 추론 속도는 느립니다. Pi를 Coral Edge TPU 보조 프로세서와 결합하면 추론을 전용 하드웨어로 오프로드하여 속도를 획기적으로 향상시킬 수 있습니다. 이 가이드에서는 런타임을 설치하고, Ultralytics YOLO26 모델을 Edge TPU 형식으로 내보내며, 가속화된 추론을 실행하는 방법을 보여줍니다.

Link to this sectionCoral Edge TPU를 사용하는 이유는 무엇인가요?#

Coral Edge TPU는 시스템에 Edge TPU 보조 프로세서를 추가하여 TensorFlow Lite 모델을 위한 저전력, 고성능 ML 추론을 가능하게 하는 소형 장치입니다. CPU만으로는 처리 속도를 따라갈 수 없는 임베디드 및 모바일 배포 환경에 매우 적합합니다:

• 더 빠른 추론 — Edge TPU는 Raspberry Pi CPU가 단독으로 달성할 수 있는 성능을 훨씬 뛰어넘어 양자화된 모델을 가속화합니다.
• 낮은 전력 소비 — 와트당 높은 처리량을 제공하여 배터리 또는 태양광 기반 배포에 이상적입니다.
• 플러그 앤 플레이 — USB Accelerator는 USB 3.0을 통해 연결되므로 추가적인 하드웨어 통합이 필요하지 않습니다.

Link to this section사전 요구 사항#

• Raspberry Pi 4B(2GB 이상 권장) 또는 Raspberry Pi 5(권장)
• Raspberry Pi OS Bullseye/Bookworm(64비트) 데스크탑 버전(권장)
• Coral USB Accelerator
• 모델 내보내기를 위한 비 ARM 플랫폼(Google Colab, x86_64 Linux 머신 또는 Ultralytics Docker 컨테이너)(Edge TPU 컴파일러는 ARM에서 사용할 수 없기 때문)

이 가이드는 ultralytics 및 관련 종속성이 설치된 Raspberry Pi OS 환경이 이미 구축되어 있다고 가정합니다. 그렇지 않은 경우 먼저 퀵스타트 가이드를 따르십시오.

필수 항목이 준비되면 워크플로우는 Pi에 Edge TPU 런타임 설치, 비 ARM 머신에서 모델 내보내기, Pi에서 추론 실행의 3단계로 진행됩니다.

Link to this sectionEdge TPU 런타임 설치#

런타임은 여러 빌드로 제공되므로 운영 체제에 맞는 버전을 선택하십시오. 고주파 빌드는 성능 향상을 위해 Edge TPU를 더 높은 클럭 속도로 실행하지만, 열 스로틀링이 발생할 수 있으므로 선택 시 냉각 장치를 사용하는 것이 좋습니다.

여기에서 최신 버전을 다운로드한 다음 .deb 패키지를 설치하십시오:

sudo dpkg -i path/to/package.deb

런타임 설치 후, 새로운 udev 규칙이 적용되도록 Coral Edge TPU를 Raspberry Pi의 USB 3.0 포트에 연결하십시오.

# If you installed the standard version
sudo apt remove libedgetpu1-std

# If you installed the high-frequency version
sudo apt remove libedgetpu1-max

Link to this section모델을 Edge TPU 형식으로 내보내기#

Edge TPU를 사용하려면 모델을 호환 가능한 형식으로 변환해야 합니다. Edge TPU 컴파일러는 ARM에서 사용할 수 없으므로 Google Colab, x86_64 Linux 머신, 공식 Ultralytics Docker 컨테이너 또는 Ultralytics Platform과 같은 비 ARM 플랫폼에서 내보내기를 실행하십시오. 사용 가능한 인수에 대해서는 내보내기 모드를 참조하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

내보낸 모델은 <model_name>_saved_model/ 폴더에 <model_name>_full_integer_quant_edgetpu.tflite로 저장됩니다.

Link to this sectionEdge TPU에서 추론 실행#

모델을 실행하기 전에 Raspberry Pi에 올바른 라이브러리를 설치하십시오. TensorFlow가 이미 설치되어 있다면 먼저 제거하십시오:

pip uninstall tensorflow tensorflow-aarch64

그런 다음 tflite-runtime을 설치하거나 업데이트하십시오:

pip install -U tflite-runtime

이제 추론을 실행할 수 있습니다:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

전체 예측 모드 세부 정보는 예측(Predict) 페이지에서 확인하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")  # Inference defaults to the first TPU

model.predict("path/to/source.png", device="tpu:0")  # Select the first TPU

model.predict("path/to/source.png", device="tpu:1")  # Select the second TPU

Link to this section벤치마크#

아래 수치는 Raspberry Pi OS Bookworm 64비트와 USB Coral Edge TPU로 측정한 결과입니다. 이는 추론 시간만(전처리/후처리 제외) 나타내며, Pi 모델 및 모드 전반에서 Edge TPU가 제공하는 가속에 대한 상대적인 기준점을 제공합니다.

평균적으로:

• Raspberry Pi 5는 표준 모드에서 Raspberry Pi 4B보다 22% 빠릅니다.
• Raspberry Pi 5는 고주파 모드에서 Raspberry Pi 4B보다 30.2% 빠릅니다.
• 고주파 모드는 표준 모드보다 28.4% 빠릅니다.

Link to this section결론#

Coral Edge TPU는 Raspberry Pi를 Ultralytics YOLO26을 위한 성능 좋고 저전력인 추론 장치로 변모시킵니다. 비 ARM 머신에서 모델을 내보내고, _edgetpu.tflite 접미사를 유지한 후, Pi에서 tflite-runtime으로 실행하여 가속화된 엣지 추론을 수행하십시오. 더 많은 배포 옵션은 Raspberry Pi 가이드를 참조하십시오.

Link to this sectionFAQ#

Link to this sectionCoral Edge TPU는 무엇이며, Ultralytics YOLO26에서 Raspberry Pi의 성능을 어떻게 향상시키나요?#

Coral Edge TPU는 시스템에 Edge TPU 보조 프로세서를 추가하는 소형 장치입니다. 이 보조 프로세서는 저전력, 고성능 ML 추론을 가능하게 하며, 특히 TensorFlow Lite 모델에 최적화되어 있습니다. Raspberry Pi에서 이 장치는 CPU 단독으로 달성하는 성능보다 훨씬 빠르게 추론을 가속화하여 Ultralytics YOLO26 모델의 성능을 크게 향상시킵니다.

Link to this sectionRaspberry Pi에 Coral Edge TPU 런타임을 어떻게 설치하나요?#

Download the appropriate .deb package for your Raspberry Pi OS version from this link, then install it:

sudo dpkg -i path/to/package.deb

Edge TPU 런타임 설치 섹션의 단계에 따라 이전 버전의 Coral Edge TPU 런타임을 모두 제거했는지 확인하십시오.

Link to this sectionUltralytics YOLO26 모델을 Coral Edge TPU와 호환되도록 내보낼 수 있나요?#

네. Google Colab, x86_64 Linux 머신 또는 Ultralytics Docker 컨테이너에서 내보내기를 실행하십시오. Ultralytics Platform을 사용할 수도 있습니다. Python 및 CLI를 사용하여 내보내는 방법은 다음과 같습니다:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

자세한 정보는 내보내기 모드 문서를 참조하십시오.

Link to this sectionWhat should I do if TensorFlow is already installed on my Raspberry Pi, but I want to use tflite-runtime instead?#

TensorFlow가 설치되어 있고 tflite-runtime으로 전환해야 한다면, 먼저 TensorFlow를 제거하십시오:

pip uninstall tensorflow tensorflow-aarch64

그런 다음 tflite-runtime을 설치하거나 업데이트하십시오:

pip install -U tflite-runtime

자세한 지침은 Edge TPU에서 추론 실행 섹션을 참조하십시오.

Link to this sectionCoral Edge TPU를 사용하는 Raspberry Pi에서 내보낸 YOLO26 모델로 어떻게 추론을 실행하나요?#

YOLO26 모델을 Edge TPU 호환 형식으로 내보낸 후, 다음 코드 스니펫으로 추론을 실행하십시오. 모델 파일은 반드시 _edgetpu.tflite 접미사를 유지해야 Ultralytics가 이를 Edge TPU로 로드합니다:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

예측 모드에 대한 종합적인 세부 정보는 예측(Predict) 페이지에 있습니다.