빠른 시작 가이드: 라즈베리 파이와 Ultralytics YOLOv8

이 종합 가이드는 라즈베리파이 디바이스에 Ultralytics YOLOv8 배포에 대한 자세한 안내를 제공합니다. 또한 이 작고 강력한 장치에서 YOLOv8 의 기능을 보여주기 위한 성능 벤치마크도 소개합니다.

Watch: 라즈베리 파이 5 업데이트 및 개선 사항.

라즈베리 파이란 무엇인가요?

라즈베리 파이는 작고 저렴한 싱글 보드 컴퓨터입니다. 취미용 홈 오토메이션부터 산업용에 이르기까지 다양한 프로젝트와 애플리케이션에 널리 사용되고 있습니다. 라즈베리 파이 보드는 다양한 운영 체제를 실행할 수 있으며, 센서, 액추에이터 및 기타 하드웨어 구성 요소와 쉽게 통합할 수 있는 GPIO(범용 입력/출력) 핀을 제공합니다. 다양한 사양의 다양한 모델로 제공되지만, 모두 저렴하고 컴팩트하며 다용도로 사용할 수 있다는 기본 설계 철학은 동일합니다.

라즈베리 파이 시리즈 비교

라즈베리 파이 OS란 무엇인가요?

라즈베리파이 OS (이전의 라즈비안)는 라즈베리파이 재단에서 배포하는 소형 싱글 보드 컴퓨터인 라즈베리파이 제품군을 위한 데비안 GNU/Linux 배포판을 기반으로 하는 유닉스 계열 운영체제입니다. 라즈베리파이 OS는 ARM CPU가 탑재된 라즈베리파이에 고도로 최적화되어 있으며, Openbox 스태킹 윈도우 매니저와 함께 수정된 LXDE 데스크톱 환경을 사용합니다. 라즈베리 파이 OS는 라즈베리 파이에서 가능한 한 많은 데비안 패키지의 안정성과 성능을 개선하는 데 중점을 두고 활발히 개발 중입니다.

라즈베리 파이 OS를 라즈베리 파이로 플래시하기

라즈베리 파이를 손에 넣은 후 가장 먼저 해야 할 일은 마이크로 SD 카드에 라즈베리 파이 OS를 플래시하고, 장치에 삽입한 후 OS로 부팅하는 것입니다. 라즈베리파이의 자세한 시작하기 설명서를 따라 장치를 처음 사용할 준비를 하세요.

설정 Ultralytics

다음 컴퓨터 비전 프로젝트를 구축하기 위해 라즈베리 파이에서 Ultralytics 패키지를 설정하는 방법에는 두 가지가 있습니다. 둘 중 하나를 사용할 수 있습니다.

• Docker로 시작하기
• Docker 없이 시작

Docker로 시작하기

라즈베리파이에서 Ultralytics YOLOv8 를 시작하는 가장 빠른 방법은 미리 빌드된 라즈베리파이용 도커 이미지로 실행하는 것입니다.

아래 명령어를 실행하여 Docker 컨테이너를 가져와 라즈베리파이에서 실행합니다. 이 예제는 파이썬3 환경의 데비안 12(Bookworm)가 포함된 arm64v8/debian 도커 이미지를 기반으로 합니다.

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

이 작업이 완료되면 라즈베리 파이에서 NCNN 사용 섹션으로 건너뜁니다.

Docker 없이 시작

Ultralytics 패키지 설치

여기서는 PyTorch 모델을 다른 다른 형식으로 내보낼 수 있도록 선택적 종속성과 함께 라즈베리 파이에 Ultralytics 패키지를 설치합니다.

1. 패키지 목록 업데이트, pip 설치 및 최신 버전으로 업그레이드

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

2. 설치 ultralytics 선택적 종속성이 있는 pip 패키지

   pip install ultralytics[export]
   

3. 디바이스 재부팅

   sudo reboot
   

라즈베리 파이에서 NCNN 사용

에서 지원하는 모든 모델 내보내기 형식 중 Ultralytics, NCNNNCNN 은 모바일/임베디드 플랫폼(예: ARM 아키텍처)에 고도로 최적화되어 있기 때문에 라즈베리 파이 디바이스로 작업할 때 최고의 추론 성능을 제공합니다. 따라서 라즈베리 파이와 함께 NCNN 를 사용하는 것을 권장합니다.

모델을 NCNN 로 변환하고 추론 실행

PyTorch 형식의 YOLOv8n 모델은 내보낸 모델을 사용하여 추론을 실행하기 위해 NCNN 로 변환됩니다.

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'

라즈베리 파이 5 vs 라즈베리 파이 4 YOLOv8 벤치마크

YOLOv8 벤치마크는 Ultralytics 팀에서 속도와 정확도를 측정하는 9가지 모델 형식( PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN)에서 실행되었습니다. 벤치마크는 기본 입력 이미지 크기 640의 FP32 정밀도에서 Raspberry Pi 5와 Raspberry Pi 4 모두에서 실행되었습니다.

비교 차트

성능

YOLOv8nYOLOv8s

상세 비교 표

아래 표는 두 가지 모델(YOLOv8n, YOLOv8s)에 대한 9가지 형식(PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN)의 벤치마크 결과로, 각 조합의 상태, 크기, mAP50-95(B) 메트릭 및 추론 시간을 제공합니다.

결과 재현

모든 내보내기 형식에서 위의 Ultralytics 벤치마크를 재현하려면 다음 코드를 실행하세요:

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

라즈베리 파이 카메라 사용

컴퓨터 비전 프로젝트에 라즈베리 파이를 사용할 때는 기본적으로 추론을 수행하기 위해 실시간 비디오 피드를 가져와야 합니다. 라즈베리파이의 온보드 MIPI CSI 커넥터를 사용하면 공식 라즈베리파이 카메라 모듈을 연결할 수 있습니다. 이 가이드에서는 라즈베리 파이 카메라 모듈 3을 사용해 비디오 피드를 수집하고 YOLOv8 모델을 사용해 추론을 수행했습니다.

카메라 테스트

카메라를 라즈베리파이에 연결한 후 다음 명령을 실행합니다. 약 5초 동안 카메라의 실시간 비디오 피드가 표시됩니다.

rpicam-hello

카메라로 추론하기

라즈베리 파이 카메라를 사용하여 YOLOv8 모델을 추론하는 방법에는 두 가지가 있습니다.

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"

라즈베리 파이 사용 시 모범 사례

YOLOv8 을 실행하는 라즈베리 파이에서 성능을 극대화하기 위해 따라야 할 몇 가지 모범 사례가 있습니다.

1. SSD 사용

   라즈베리파이를 24시간 내내 계속 사용하는 경우, SD 카드는 지속적인 쓰기를 견디지 못하고 파손될 수 있으므로 시스템용으로 SSD를 사용하는 것이 좋습니다. 라즈베리파이 5의 온보드 PCIe 커넥터를 통해 이제 라즈베리파이 5용 NVMe 베이스와 같은 어댑터를 사용해 SSD를 연결할 수 있습니다.

2. GUI 없는 플래시

   라즈베리 파이 OS를 플래시할 때 데스크톱 환경(라즈베리 파이 OS 라이트)을 설치하지 않도록 선택할 수 있으며, 이렇게 하면 장치의 RAM을 약간 절약하여 컴퓨터 비전 처리를 위한 공간을 더 많이 확보할 수 있습니다.

다음 단계

라즈베리파이에 YOLO 를 성공적으로 설치하신 것을 축하드립니다! 추가 학습 및 지원은 Ultralytics YOLOv8 문서 및 카슈미르 월드 재단을 참조하세요.

감사 및 인용

이 가이드는 멸종 위기 종 보존을 위해 YOLO 을 사용하는 단체인 카슈미르 월드 재단을 위해 다안 엘팅크가 처음에 만들었습니다. 물체 감지 기술 분야에서 선구적인 작업과 교육에 중점을 둔 이 단체의 공로를 인정합니다.

카슈미르 월드 재단의 활동에 대한 자세한 내용은 웹사이트에서 확인할 수 있습니다.

자주 묻는 질문

도커를 사용하지 않고 라즈베리파이에서 Ultralytics YOLOv8 설정하려면 어떻게 해야 하나요?

Docker가 없는 라즈베리파이에서 Ultralytics YOLOv8 을 설정하려면 다음 단계를 따르세요:

1. 패키지 목록 업데이트 및 설치 pip:

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

2. 선택적 종속성과 함께 Ultralytics 패키지를 설치합니다:

   pip install ultralytics[export]
   

3. 변경 사항을 적용하려면 장치를 재부팅합니다:

   sudo reboot
   

자세한 지침은 도커 없이 시작하기 섹션을 참조하세요.

라즈베리파이에서 AI 작업을 위해 Ultralytics YOLOv8 의 NCNN 형식을 사용해야 하는 이유는 무엇인가요?

Ultralytics YOLOv8의 NCNN 형식은 모바일 및 임베디드 플랫폼에 고도로 최적화되어 있어 라즈베리파이 기기에서 AI 작업을 실행하는 데 이상적입니다. NCNN 형식은 ARM 아키텍처를 활용하여 추론 성능을 극대화하여 다른 형식에 비해 더 빠르고 효율적인 처리를 제공합니다. 지원되는 내보내기 옵션에 대한 자세한 내용은 배포 옵션에 대한Ultralytics 문서 페이지를 참조하세요.

YOLOv8 모델을 라즈베리파이에서 사용할 수 있도록 NCNN 형식으로 변환하려면 어떻게 해야 하나요?

Python 또는 CLI 명령을 사용하여 PyTorch YOLOv8 모델을 NCNN 형식으로 변환할 수 있습니다:

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'

자세한 내용은 라즈베리 파이에서 NCNN 사용 섹션을 참조하세요.

YOLOv8 실행과 관련된 라즈베리 파이 4와 라즈베리 파이 5의 하드웨어 차이점은 무엇인가요?

주요 차이점은 다음과 같습니다:

• CPU: 라즈베리파이 4는 브로드컴 BCM2711, 코어텍스-A72 64비트 SoC를, 라즈베리파이 5는 브로드컴 BCM2712, 코어텍스-A76 64비트 SoC를 사용합니다.
• 최대 CPU 주파수: 라즈베리파이 4의 최대 주파수는 1.8GHz이며, 라즈베리파이 5는 2.4GHz에 달합니다.
• 메모리: 라즈베리 파이 4는 최대 8GB의 LPDDR4-3200 SDRAM을 제공하며, 라즈베리 파이 5는 4GB 및 8GB 버전으로 제공되는 LPDDR4X-4267 SDRAM을 탑재하고 있습니다.

이러한 개선 사항 덕분에 라즈베리 파이 5의 YOLOv8 모델이 라즈베리 파이 4에 비해 더 나은 성능 벤치마크를 달성할 수 있었습니다. 자세한 내용은 라즈베리 파이 시리즈 비교 표를 참조하세요.

라즈베리 파이 카메라 모듈이 Ultralytics YOLOv8 에서 작동하도록 설정하려면 어떻게 해야 하나요?

YOLOv8 추론을 위해 라즈베리 파이 카메라를 설정하는 방법에는 두 가지가 있습니다:

1. 사용 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 스트림 사용:

   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")
   

자세한 설정 지침은 카메라로 추론하기 섹션을 참조하세요.

댓글