Link to this sectionComo executar o Ultralytics YOLO26 num Raspberry Pi com um Coral Edge TPU#

Um Raspberry Pi é uma plataforma eficiente e acessível para executar visão computacional na borda, mas a inferência no dispositivo é lenta, mesmo com formatos otimizados como ONNX ou OpenVINO. Combinar o Pi com um coprocessador Coral Edge TPU transfere a inferência para hardware dedicado e acelera-a drasticamente. Este guia mostra como instalar o runtime, exportar um modelo Ultralytics YOLO26 para o formato Edge TPU e executar inferência acelerada.

Link to this sectionPor que usar um Coral Edge TPU?#

O Coral Edge TPU é um dispositivo compacto que adiciona um coprocessador Edge TPU ao teu sistema, permitindo inferência de ML de alto desempenho e baixo consumo para modelos TensorFlow Lite. É uma ótima opção para implementações embarcadas e móveis onde um CPU sozinho não consegue acompanhar:

• Inferência mais rápida — o Edge TPU acelera modelos quantizados muito além do que o CPU do Raspberry Pi alcança por conta própria.
• Baixo consumo de energia — oferece alto rendimento por watt, ideal para implementações movidas a bateria ou energia solar.
• Plug-and-play — o USB Accelerator conecta-se via USB 3.0, portanto, não é necessária integração de hardware extra.

Link to this sectionPré-requisitos#

• Raspberry Pi 4B (2GB ou mais recomendado) ou Raspberry Pi 5 (Recomendado)
• Raspberry Pi OS Bullseye/Bookworm (64 bits) com ambiente desktop (Recomendado)
• Coral USB Accelerator
• Uma plataforma não ARM (Google Colab, uma máquina Linux x86_64 ou o container Docker da Ultralytics) para exportar o modelo, uma vez que o compilador Edge TPU não está disponível em ARM

Este guia pressupõe que já tens uma instalação funcional do Raspberry Pi OS com o ultralytics e as suas dependências instaladas. Caso contrário, segue primeiro o guia de início rápido.

Com os pré-requisitos prontos, o fluxo de trabalho tem três etapas: instalar o runtime do Edge TPU no Pi, exportar o teu modelo numa máquina não ARM e executar a inferência de volta no Pi.

Link to this sectionInstalar o Runtime do Edge TPU#

O runtime é disponibilizado em várias compilações, por isso escolhe a que corresponde ao teu sistema operativo. A compilação de alta frequência executa o Edge TPU a uma velocidade de clock superior para melhor desempenho, mas pode causar thermal throttling — usa algum tipo de refrigeração se a escolheres.

Descarrega a versão mais recente aqui, e depois instala o pacote .deb:

sudo dpkg -i path/to/package.deb

Após instalar o runtime, liga o teu Coral Edge TPU a uma porta USB 3.0 no Raspberry Pi para que a nova regra udev possa entrar em vigor.

# 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 sectionExportar o teu modelo para o formato Edge TPU#

Para usar o Edge TPU, converte o teu modelo para um formato compatível. Executa a exportação numa plataforma não ARM — Google Colab, uma máquina Linux x86_64, o container Docker oficial da Ultralytics ou a Plataforma Ultralytics — uma vez que o compilador Edge TPU não está disponível em ARM. Vê o modo de exportação para os argumentos disponíveis.

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")

O modelo exportado é guardado na pasta <model_name>_saved_model/ como <model_name>_full_integer_quant_edgetpu.tflite.

Link to this sectionExecutar inferência no Edge TPU#

Antes de executar o modelo, instala as bibliotecas corretas no Raspberry Pi. Se o TensorFlow já estiver instalado, desinstala-o primeiro:

pip uninstall tensorflow tensorflow-aarch64

Depois, instala ou atualiza o tflite-runtime:

pip install -U tflite-runtime

Agora podes executar a inferência:

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")

Encontra detalhes completos sobre o modo de previsão na página Predict.

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 sectionBenchmarks#

Os números abaixo foram medidos com Raspberry Pi OS Bookworm de 64 bits e um USB Coral Edge TPU. Eles mostram apenas o tempo de inferência (pré/pós-processamento excluído) e servem como referência relativa para a aceleração que o Edge TPU proporciona entre modelos e modos do Pi.

Em média:

• O Raspberry Pi 5 é 22% mais rápido com o modo padrão do que o Raspberry Pi 4B.
• O Raspberry Pi 5 é 30,2% mais rápido com o modo de alta frequência do que o Raspberry Pi 4B.
• O modo de alta frequência é 28,4% mais rápido do que o modo padrão.

Link to this sectionConclusão#

Um Coral Edge TPU transforma um Raspberry Pi num dispositivo de inferência capaz e de baixo consumo para o Ultralytics YOLO26. Exporta o teu modelo numa máquina não ARM, mantém o sufixo _edgetpu.tflite e executa-o com tflite-runtime no Pi para obter inferência de borda acelerada. Para mais opções de implementação, vê o guia de Raspberry Pi.

Link to this sectionFAQ#

Link to this sectionO que é um Coral Edge TPU e como é que ele melhora o desempenho do Raspberry Pi com o Ultralytics YOLO26?#

O Coral Edge TPU é um dispositivo compacto que adiciona um coprocessador Edge TPU ao teu sistema. Este coprocessador permite uma inferência de ML de alto desempenho e baixo consumo, particularmente otimizada para modelos TensorFlow Lite. Num Raspberry Pi, acelera a inferência muito além do que o CPU alcança sozinho, o que impulsiona significativamente o desempenho para modelos Ultralytics YOLO26.

Link to this sectionComo instalo o runtime do Coral Edge TPU num Raspberry Pi?#

Descarrega o pacote .deb apropriado para a tua versão do Raspberry Pi OS a partir de esta ligação, e depois instala-o:

sudo dpkg -i path/to/package.deb

Certifica-te de desinstalar quaisquer versões anteriores do runtime do Coral Edge TPU seguindo os passos na secção Instalar o Runtime do Edge TPU.

Link to this sectionPosso exportar o meu modelo Ultralytics YOLO26 para ser compatível com o Coral Edge TPU?#

Sim. Executa a exportação no Google Colab, numa máquina Linux x86_64 ou no container Docker da Ultralytics; também podes usar a Plataforma Ultralytics. Eis como exportar com Python e CLI:

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")

Para mais informações, consulta a documentação do modo de Exportação.

Link to this sectionO que devo fazer se o TensorFlow já estiver instalado no meu Raspberry Pi, mas eu quiser usar o tflite-runtime em vez disso?#

Se tiveres o TensorFlow instalado e precisares de mudar para o tflite-runtime, desinstala primeiro o TensorFlow:

pip uninstall tensorflow tensorflow-aarch64

Depois, instala ou atualiza o tflite-runtime:

pip install -U tflite-runtime

Para instruções detalhadas, consulta a secção Executar Inferência no Edge TPU.

Link to this sectionComo executo inferência com um modelo YOLO26 exportado num Raspberry Pi usando o Coral Edge TPU?#

Após exportar o teu modelo YOLO26 para um formato compatível com Edge TPU, executa a inferência com os seguintes snippets. O ficheiro do modelo deve manter o sufixo _edgetpu.tflite para que o Ultralytics o carregue no Edge TPU:

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")

Detalhes abrangentes sobre o modo de predição estão na página Predict.