Guia de Início Rápido: Raspberry Pi com Ultralytics YOLO26#

Raspberry Pi é um computador pequeno e acessível que executa o Ultralytics YOLO26 para detecção de objetos em tempo real na borda, sem necessidade de GPU. Este guia orienta você na implantação do YOLO26 no Raspberry Pi 4 e 5: gravando o SO, instalando o Ultralytics, exportando para NCNN para obter a inferência mais rápida em ARM e executando predições em um feed de câmera ao vivo. Ele também inclui benchmarks de desempenho em oito formatos de exportação para que você possa escolher a melhor compensação entre velocidade e precisão para o seu hardware.

Vá direto para configurar o Ultralytics, exportar para NCNN e executar inferência, benchmarks ou inferência de câmera.

O que é o Raspberry Pi?#

O Raspberry Pi é um computador de placa única pequeno e acessível. Tornou-se popular para uma vasta gama de projetos e aplicações, desde a automação residencial de entusiastas até usos industriais. As placas Raspberry Pi são capazes de executar uma variedade de sistemas operacionais e oferecem pinos GPIO (General Purpose Input/Output) que permitem a fácil integração com sensores, atuadores e outros componentes de hardware. Elas vêm em diferentes modelos com especificações variadas, mas todas compartilham a mesma filosofia de design básica de serem de baixo custo, compactas e versáteis.

Comparação da Série Raspberry Pi#

O que é o Raspberry Pi OS?#

Raspberry Pi OS (anteriormente conhecido como Raspbian) é um sistema operacional estilo Unix baseado na distribuição Debian GNU/Linux para a família Raspberry Pi de computadores compactos de placa única distribuídos pela Raspberry Pi Foundation. O Raspberry Pi OS é altamente otimizado para o Raspberry Pi com CPUs ARM e usa um ambiente de desktop LXDE modificado com o gerenciador de janelas empilhadas Openbox. O Raspberry Pi OS está em desenvolvimento ativo, com ênfase na melhoria da estabilidade e do desempenho do maior número possível de pacotes Debian no Raspberry Pi.

Gravar o Raspberry Pi OS no Raspberry Pi#

A primeira coisa a fazer após adquirir um Raspberry Pi é gravar um cartão micro-SD com o Raspberry Pi OS, inseri-lo no dispositivo e iniciar o SO. Siga a detalhada Documentação de Introdução do Raspberry Pi para preparar seu dispositivo para o primeiro uso.

Configurar o Ultralytics#

Você pode configurar o pacote Ultralytics no Raspberry Pi de duas maneiras para o seu próximo projeto de Visão Computacional:

• Começar com o Docker
• Começar sem o Docker

Começar com Docker#

A maneira mais rápida de começar a usar o Ultralytics YOLO26 no Raspberry Pi é executá-lo com uma imagem Docker pré-criada para Raspberry Pi.

Execute o comando abaixo para baixar o container do Docker e executá-lo no Raspberry Pi. Ele é baseado na imagem do Docker arm64v8/ubuntu, que executa o Ubuntu 24.04 em um ambiente Python3.

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

A imagem do Docker já inclui o Ultralytics, portanto, você pode ir direto para a exportação do seu modelo para NCNN.

Começar sem Docker#

Instalar o Pacote Ultralytics#

Aqui, instalaremos o pacote Ultralytics no Raspberry Pi com dependências opcionais para que possamos exportar os modelos do PyTorch para outros formatos.

1. Atualize a lista de pacotes, instale o pip e atualize para a versão mais recente

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

2. Instalar o pacote pip ultralytics com dependências opcionais

   pip install ultralytics[export]

3. Reinicie o dispositivo

   sudo reboot

Usar NCNN no Raspberry Pi#

De todos os formatos de exportação de modelo suportados pelo Ultralytics, o NCNN oferece o melhor desempenho de inferência em dispositivos Raspberry Pi porque é altamente otimizado para plataformas móveis e embarcadas, como a arquitetura ARM. Converta seu modelo YOLO26n PyTorch para NCNN e, em seguida, execute a inferência com o modelo exportado:

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")

Melhorias de Desempenho do YOLO26 em relação ao YOLO11#

O YOLO26 foi projetado especificamente para rodar em dispositivos com restrições de hardware, como o Raspberry Pi 5. Comparado ao YOLO11n, o YOLO26n alcança um aumento de ~15% em FPS (6.79 → 7.79) enquanto entrega um mAP maior (40.1 vs 39.5) com tamanho de entrada de 640 com modelos exportados em ONNX no Raspberry Pi 5. A tabela e o gráfico abaixo mostram essa comparação.

Benchmarks do YOLO26 no Raspberry Pi 5#

Os benchmarks do YOLO26 foram executados pela equipe do Ultralytics em oito formatos de modelo diferentes, medindo velocidade e precisão: PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT. Os benchmarks foram executados em um Raspberry Pi 5 com precisão FP32 e tamanho de imagem de entrada padrão de 640.

Gráfico de comparação#

Incluímos apenas os benchmarks para os modelos YOLO26n e YOLO26s porque outros tamanhos de modelo são grandes demais para rodar nos Raspberry Pis e não oferecem um desempenho aceitável.

Tabela de comparação detalhada#

A tabela abaixo representa os resultados dos benchmarks para dois modelos diferentes (YOLO26n, YOLO26s) em oito formatos diferentes (PyTorch, TorchScript, ONNX, OpenVINO, MNN, NCNN, ExecuTorch, LiteRT), rodando em um Raspberry Pi 5, fornecendo o status, o tamanho, a métrica mAP50-95(B) e o tempo de inferência para cada combinação.

Reproduza os Nossos Resultados#

Para reproduzir os benchmarks do Ultralytics acima em todos os formatos de exportação, execute este código:

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)

Usar a Câmera do Raspberry Pi#

Ao usar o Raspberry Pi para projetos de Visão Computacional, pode ser essencial capturar feeds de vídeo em tempo real para realizar a inferência. O conector MIPI CSI integrado no Raspberry Pi permite conectar módulos de câmera oficiais do Raspberry Pi. Neste guia, usamos um Módulo de Câmera Raspberry Pi 3 para capturar os feeds de vídeo e realizar a inferência usando modelos YOLO26.

Testar a Câmera#

Execute o comando a seguir após conectar a câmera ao Raspberry Pi. Você deverá ver um feed de vídeo ao vivo da câmera por cerca de 5 segundos.

rpicam-hello

Inferência com a Câmera#

Existem dois métodos para usar a Câmera do Raspberry Pi para executar a inferência em modelos 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()

Melhores práticas ao usar Raspberry Pi#

Existem algumas práticas recomendadas para obter o máximo desempenho em Raspberry Pis executando YOLO26.

1. Use um SSD

   Ao usar o Raspberry Pi para uso contínuo 24 horas por dia, 7 dias por semana, é recomendável usar um SSD para o sistema, pois um cartão SD não será capaz de suportar gravações contínuas e pode quebrar. Com o conector PCIe integrado no Raspberry Pi 5, agora você pode conectar SSDs usando um adaptador como a Base NVMe para Raspberry Pi 5.

2. Instale o SO sem interface gráfica (GUI)

   Ao instalar o Raspberry Pi OS, você pode optar por não instalar o ambiente de Desktop (Raspberry Pi OS Lite), o que economiza um pouco de RAM no dispositivo, liberando mais espaço para o processamento de visão computacional.

3. Faça overclock no Raspberry Pi

   Se você deseja um pequeno aumento de desempenho ao executar modelos Ultralytics YOLO26 no Raspberry Pi 5, pode fazer overclock da CPU de seus 2.4GHz básicos para 2.9GHz e da GPU de 800MHz para 1GHz. Se o sistema ficar instável ou travar, reduza os valores de overclock em incrementos de 100MHz. Certifique-se de que haja um resfriamento adequado, pois o overclock aumenta a geração de calor e pode levar ao estrangulamento térmico (thermal throttling).

   a. Atualize o software

   sudo apt update && sudo apt dist-upgrade

   b. Abra o arquivo de configuração para editar

   sudo nano /boot/firmware/config.txt

   c. Adicione as seguintes linhas ao final

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. Salve e saia pressionando CTRL + X, depois Y, e pressione ENTER

   e. Reinicie o Raspberry Pi

Próximos Passos#

Você configurou com sucesso o YOLO26 no seu Raspberry Pi. Para ir além, explore o modo Predict para mais opções de inferência, o modo Export para formatos de implantação adicionais ou o guia do NVIDIA Jetson se precisar de mais capacidade de processamento na borda. Para a documentação completa, visite a Documentação do Ultralytics YOLO26.

Agradecimentos e Citações#

Este guia foi criado inicialmente por Daan Eeltink para a Kashmir World Foundation, uma organização dedicada ao uso de YOLO para a conservação de espécies ameaçadas de extinção. Reconhecemos seu trabalho pioneiro e foco educacional no domínio de tecnologias de detecção de objetos.

Para obter mais informações sobre as atividades da Kashmir World Foundation, você pode visitar o site deles.

FAQ#