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 precisar de GPU. Este guia mostra como implantar YOLO26 no Raspberry Pi 4 e 5: gravar o sistema operacional, instalar Ultralytics, exportar para NCNN para obter a inferência mais rápida em ARM e executar previsões com a imagem de uma câmera ao vivo. Também inclui benchmarks de desempenho em oito formatos de exportação, para que você escolha o melhor equilíbrio entre velocidade e precisão para seu hardware.

Acesse diretamente a configuração do Ultralytics, a exportação para NCNN e execução de inferência, os benchmarks ou a inferência com câmera.

O que é Raspberry Pi?#

Raspberry Pi é um computador de placa única pequeno e acessível. Tornou-se popular em uma ampla variedade de projetos e aplicações, desde automação residencial para entusiastas até usos industriais. As placas Raspberry Pi são capazes de executar diversos sistemas operacionais e oferecem pinos GPIO (entrada/saída de uso geral) que permitem integração fácil com sensores, atuadores e outros componentes de hardware. Há diferentes modelos com especificações variadas, mas todos compartilham a mesma filosofia básica de design: baixo custo, tamanho compacto e versatilidade.

Comparação das séries Raspberry Pi#

O que é o Raspberry Pi OS?#

O Raspberry Pi OS (anteriormente conhecido como Raspbian) é um sistema operacional semelhante ao 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 leve que, por padrão, é executado no Wayland no Raspberry Pi 4 e 5. 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 depois de adquirir um Raspberry Pi é gravar o Raspberry Pi OS em um cartão micro-SD, inseri-lo no dispositivo e iniciar o sistema operacional. Siga a documentação detalhada de primeiros passos da Raspberry Pi para preparar o 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 Docker
• Começar sem 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-compilada para Raspberry Pi.

Execute o comando abaixo para baixar o contêiner Docker e executá-lo no Raspberry Pi. Ele se baseia na imagem oficial Python 3.13-slim-trixie, que executa o Debian 13 com Python 3.13.

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

A imagem Docker já inclui o Ultralytics, então você pode ir direto para exportar seu modelo para NCNN.

Começar sem Docker#

Instalar o pacote Ultralytics#

Aqui vamos instalar o pacote Ultralytics no Raspberry Pi. As dependências de exportação para formatos como NCNN são instaladas automaticamente na primeira vez que você exporta um modelo PyTorch, então somente o pacote básico é necessário aqui.

1. Atualizar a lista de pacotes, instalar o pip e atualizá-lo para a versão mais recente

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

2. Instalar o pacote pip ultralytics

   pip install ultralytics

3. Reiniciar o dispositivo

   sudo reboot

Usar NCNN no Raspberry Pi#

Entre todos os formatos de exportação compatíveis com Ultralytics, o NCNN oferece o melhor desempenho de inferência nos dispositivos Raspberry Pi, pois é altamente otimizado para plataformas móveis e embarcadas, como as que usam arquitetura ARM. Converta seu modelo YOLO26n PyTorch para NCNN e execute a inferência com o modelo exportado:

from ultralytics import YOLO

# Carregar um modelo YOLO26n PyTorch
model = YOLO("yolo26n.pt")

# Exportar o modelo para o formato NCNN
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Carregar o modelo NCNN exportado
ncnn_model = YOLO("yolo26n_ncnn_model")

# Executar inferência
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

Melhorias de desempenho do YOLO26 em relação ao YOLO11#

O YOLO26 foi projetado especificamente para ser executado em dispositivos com recursos de hardware limitados, como o Raspberry Pi 5. Em comparação com o YOLO11n, o YOLO26n apresenta um aumento de ~15% no FPS (6.79 → 7.79) e também oferece um mAP mais alto (40.1 vs 39.5) com tamanho de entrada 640 e modelos exportados para ONNX no Raspberry Pi 5. A tabela e o gráfico abaixo mostram essa comparação.

Resultados de benchmark do YOLO26 no Raspberry Pi 5#

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

Gráfico comparativo#

Incluímos benchmarks somente para os modelos YOLO26n e YOLO26s porque os outros tamanhos de modelo são grandes demais para serem executados nos Raspberry Pi e não oferecem um desempenho adequado.

Tabela comparativa detalhada#

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

Reproduza nossos resultados#

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

from ultralytics import YOLO

# Carregar um modelo YOLO26n PyTorch
model = YOLO("yolo26n.pt")

# Benchmarke a velocidade e a precisão do YOLO26n no conjunto de dados COCO128 para todos os formatos de exportação
results = model.benchmark(data="coco128.yaml", imgsz=640)

Usar a câmera do Raspberry Pi#

Ao usar o Raspberry Pi em projetos de visão computacional, pode ser essencial capturar transmissões de vídeo em tempo real para realizar inferências. O conector MIPI CSI integrado no Raspberry Pi permite conectar módulos de câmera oficiais Raspberry Pi. Neste guia, usamos uma Raspberry Pi Camera Module 3 para capturar as transmissões de vídeo e realizar inferências usando modelos YOLO26.

Testar a câmera#

Execute o seguinte comando depois de conectar a câmera ao Raspberry Pi. Você deverá ver uma transmissão de vídeo ao vivo da câmera por cerca de 5 segundos.

rpicam-hello

Inferência com a câmera#

Há dois métodos para usar a câmera Raspberry Pi e executar inferências com modelos YOLO26.

import cv2
from picamera2 import Picamera2

from ultralytics import YOLO

# Inicializar o 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()

# Carrega o modelo YOLO26
model = YOLO("yolo26n.pt")

while True:
    # Capturar quadro a quadro
    frame = picam2.capture_array()

    # Executar inferência do YOLO26 no quadro
    results = model(frame)

    # Visualiza os resultados no quadro
    annotated_frame = results[0].plot()

    # Exibir o quadro resultante
    cv2.imshow("Camera", annotated_frame)

    # Interrompe o loop se 'q' for pressionado
    if cv2.waitKey(1) == ord("q"):
        break

# Liberar recursos e fechar janelas
cv2.destroyAllWindows()

Práticas recomendadas ao usar o Raspberry Pi#

Há algumas práticas recomendadas a seguir para obter o máximo desempenho nos Raspberry Pi que executam o YOLO26.

1. Usar um SSD

   Ao usar o Raspberry Pi continuamente, 24 horas por dia, 7 dias por semana, recomenda-se usar um SSD para o sistema, pois um cartão SD não suporta gravações contínuas e pode falhar. Com o conector PCIe integrado no Raspberry Pi 5, agora você pode conectar SSDs usando um adaptador como o NVMe Base for Raspberry Pi 5.

2. Gravar sem interface gráfica

   Ao gravar o Raspberry Pi OS, você pode optar por não instalar o ambiente de desktop (Raspberry Pi OS Lite). Isso pode economizar um pouco de RAM no dispositivo, deixando mais espaço para o processamento de visão computacional.

3. Fazer overclock no Raspberry Pi

   Se quiser um pequeno aumento de desempenho ao executar modelos Ultralytics YOLO26 no Raspberry Pi 5, você pode aumentar a frequência da CPU de 2.4GHz para 3.0GHz e a da GPU de 800MHz para 1GHz. Se o sistema ficar instável ou travar, reduza os valores de overclock em incrementos de 100MHz. Garanta um resfriamento adequado, pois o overclock aumenta a geração de calor e pode causar limitação térmica.

   a. Atualize o software

   sudo apt update && sudo apt dist-upgrade

   b. Abra o arquivo de configuração para editá-lo

   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, em seguida, ENTER

   e. Reinicie o Raspberry Pi

Próximas etapas#

Você configurou o YOLO26 no Raspberry Pi com sucesso. Para avançar, explore o modo Predict para ver mais opções de inferência, o modo Export para conhecer outros formatos de implantação ou o guia NVIDIA Jetson se precisar de mais poder de processamento na borda. Para consultar a documentação completa, visite a documentação Ultralytics YOLO26.

Agradecimentos e citações#

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

Para mais informações sobre as atividades da Kashmir World Foundation, visite o site.

Perguntas frequentes#