Guia de início rápido: Raspberry Pi com Ultralytics YOLO11

Este guia abrangente fornece um passo a passo detalhado para a implantação do Ultralytics YOLO11 em dispositivos Raspberry Pi. Além disso, apresenta benchmarks de desempenho para demonstrar as capacidades do YOLO11 nestes pequenos e poderosos dispositivos.

Ver: Actualizações e melhorias do Raspberry Pi 5.

O que é o Raspberry Pi?

O Raspberry Pi é um computador de placa única, pequeno e económico. Tornou-se popular para uma vasta gama de projectos e aplicações, desde a automatização doméstica para amadores até às utilizações industriais. As placas Raspberry Pi são capazes de executar uma variedade de sistemas operativos e oferecem pinos GPIO (General Purpose Input/Output) que permitem uma fácil integração com sensores, actuadores e outros componentes de hardware. Existem diferentes modelos com especificações variadas, mas todos partilham a mesma filosofia de conceção básica de serem de baixo custo, compactos e versáteis.

Comparação da série Raspberry Pi

O que é o Raspberry Pi OS?

O Raspberry Pi OS (anteriormente conhecido como Raspbian) é um sistema operativo do tipo 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 optimizado para o Raspberry Pi com CPUs ARM e usa um ambiente de trabalho LXDE modificado com o gestor de janelas de empilhamento Openbox. O Raspberry Pi OS está em desenvolvimento ativo, com ênfase na melhoria da estabilidade e performance de tantos pacotes Debian quanto possível no Raspberry Pi.

Flash Raspberry Pi OS para Raspberry Pi

A primeira coisa a fazer depois de deitar as mãos a um Raspberry Pi é fazer flash de um cartão micro-SD com o Raspberry Pi OS, inseri-lo no dispositivo e arrancar com o SO. Siga a documentação detalhada de introdução do Raspberry Pi para preparar o seu dispositivo para a primeira utilização.

Configurar Ultralytics

Existem duas formas de configurar o pacote Ultralytics no Raspberry Pi para construir o seu próximo projeto de Visão Computacional. Pode utilizar qualquer uma delas.

• Comece com o Docker
• Iniciar sem o Docker

Comece com o Docker

A maneira mais rápida de começar a usar o Ultralytics YOLO11 no Raspberry Pi é executar uma imagem docker pré-construída para o Raspberry Pi.

Execute o comando abaixo para puxar o contentor Docker e correr no Raspberry Pi. Isto é baseado na imagem docker arm64v8/debian que contém Debian 12 (Bookworm) num ambiente Python3.

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

Depois de fazer isto, passe à secção Utilizar NCNN no Raspberry Pi.

Iniciar sem o Docker

Instalar o pacote Ultralytics

Aqui vamos instalar o pacote Ultralytics no Raspberry Pi com dependências opcionais para que possamos exportar os modelos PyTorch modelos para outros formatos diferentes.

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

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

2. Instalar ultralytics pacote pip com dependências opcionais

   pip install ultralytics[export]
   

3. Reiniciar o dispositivo

   sudo reboot
   

Utilizar NCNN no Raspberry Pi

De todos os formatos de exportação de modelos suportados por Ultralytics, NCNN oferece o melhor desempenho de inferência quando se trabalha com dispositivos Raspberry Pi porque NCNN está altamente optimizado para plataformas móveis/embutidas (como a arquitetura ARM). Por conseguinte, recomendamos a utilização do NCNN com o Raspberry Pi.

Converter o modelo para NCNN e executar a inferência

O modelo YOLO11n no formato PyTorch é convertido para NCNN para efetuar a inferência com o modelo exportado.

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo11n_ncnn_model")

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

# Export a YOLO11n PyTorch model to NCNN format
yolo export model=yolo11n.pt format=ncnn  # creates 'yolo11n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Raspberry Pi 5 YOLO11 Benchmarks

YOLO11 Os testes de referência foram executados pela equipa Ultralytics em nove formatos de modelos diferentes, medindo a velocidade e a precisão: PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN. Os testes de referência foram executados num Raspberry Pi 5 com precisão FP32 e um tamanho de imagem de entrada predefinido de 640.

Gráfico de comparação

Apenas incluímos benchmarks para os modelos YOLO11n e YOLO11s porque os tamanhos dos outros modelos são demasiado grandes para serem executados nos Raspberry Pis e não oferecem um desempenho decente.

Tabela de comparação pormenorizada

A tabela abaixo representa os resultados do teste de referência para dois modelos diferentes (YOLO11n, YOLO11s) em nove formatos diferentes (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN), executados num Raspberry Pi 5, dando-nos o estado, o tamanho, a métrica mAP50-95(B) e o tempo de inferência para cada combinação.

Reproduzir os nossos resultados

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

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and accuracy on the COCO8 dataset for all all export formats
results = model.benchmarks(data="coco8.yaml", imgsz=640)

# Benchmark YOLO11n speed and accuracy on the COCO8 dataset for all all export formats
yolo benchmark model=yolo11n.pt data=coco8.yaml imgsz=640

Utilizar a câmara Raspberry Pi

Quando se utiliza o Raspberry Pi para projectos de Visão por Computador, pode ser essencial obter imagens de vídeo em tempo real para efetuar inferências. O conetor MIPI CSI integrado no Raspberry Pi permite-lhe ligar módulos de câmara Raspberry PI oficiais. Neste guia, utilizámos um módulo de câmara Raspberry Pi 3 para captar as imagens de vídeo e efetuar a inferência utilizando os modelos YOLO11 .

Testar a câmara

Execute o seguinte comando depois de ligar a câmara ao Raspberry Pi. Deverá ver uma transmissão de vídeo em direto da câmara durante cerca de 5 segundos.

rpicam-hello

Inferência com câmara

Existem 2 métodos para utilizar a câmara Raspberry Pi para inferir modelos YOLO11 .

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 YOLO11 model
model = YOLO("yolo11n.pt")

while True:
    # Capture frame-by-frame
    frame = picam2.capture_array()

    # Run YOLO11 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 YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Run inference
results = model("tcp://127.0.0.1:8888")

yolo predict model=yolo11n.pt source="tcp://127.0.0.1:8888"

Boas práticas na utilização do Raspberry Pi

Existem algumas práticas recomendadas a serem seguidas para permitir o máximo desempenho em Raspberry Pis executando YOLO11.

1. Utilizar um SSD

   Ao usar o Raspberry Pi para uso contínuo 24x7, recomenda-se usar um SSD para o sistema, porque um cartão SD não será capaz de suportar gravações contínuas e pode ficar quebrado. Com o conetor PCIe integrado no Raspberry Pi 5, agora é possível conectar SSDs usando um adaptador como a Base NVMe para Raspberry Pi 5.

2. Flash sem GUI

   Ao fazer o flash do Raspberry Pi OS, pode optar por não instalar o ambiente de trabalho (Raspberry Pi OS Lite), o que pode poupar um pouco de RAM no dispositivo, deixando mais espaço para o processamento da visão computacional.

Próximos passos

Parabéns por ter configurado com sucesso o YOLO no seu Raspberry Pi! Para mais aprendizagem e apoio, visite Ultralytics YOLO11 Docs e Kashmir World Foundation.

Agradecimentos e citações

Este guia foi inicialmente criado por Daan Eeltink para a Kashmir World Foundation, uma organização dedicada à utilização do YOLO para a conservação de espécies em vias de extinção. Reconhecemos o seu trabalho pioneiro e o seu foco educacional no domínio das tecnologias de deteção de objectos.

Para mais informações sobre as actividades da Kashmir World Foundation, visite o seu sítio Web.

FAQ

Como posso configurar Ultralytics YOLO11 num Raspberry Pi sem utilizar o Docker?

Para configurar Ultralytics YOLO11 em um Raspberry Pi sem Docker, siga estas etapas:

1. Atualizar a lista de pacotes e instalar pip:

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

2. Instale o pacote Ultralytics com as dependências opcionais:

   pip install ultralytics[export]
   

3. Reinicie o dispositivo para aplicar as alterações:

   sudo reboot
   

Para obter instruções detalhadas, consulte a secção Iniciar sem o Docker.

Por que razão devo utilizar o formato Ultralytics YOLO11 's NCNN no Raspberry Pi para tarefas de IA?

Ultralytics YOLO11O formato NCNN é altamente optimizado para plataformas móveis e incorporadas, o que o torna ideal para executar tarefas de IA em dispositivos Raspberry Pi. O NCNN maximiza o desempenho da inferência tirando partido da arquitetura ARM, proporcionando um processamento mais rápido e eficiente em comparação com outros formatos. Para obter mais detalhes sobre as opções de exportação compatíveis, visite a página de documentaçãoUltralytics sobre opções de implantação.

Como posso converter um modelo YOLO11 para o formato NCNN para utilização no Raspberry Pi?

É possível converter um modelo PyTorch YOLO11 para o formato NCNN utilizando os comandos Python ou CLI :

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo11n_ncnn_model")

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

# Export a YOLO11n PyTorch model to NCNN format
yolo export model=yolo11n.pt format=ncnn  # creates 'yolo11n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Para mais detalhes, consulte a secção Utilizar NCNN no Raspberry Pi.

Quais são as diferenças de hardware entre o Raspberry Pi 4 e o Raspberry Pi 5 relevantes para a execução do YOLO11?

As principais diferenças incluem:

• CPU: O Raspberry Pi 4 utiliza o Broadcom BCM2711, Cortex-A72 64-bit SoC, enquanto o Raspberry Pi 5 utiliza o Broadcom BCM2712, Cortex-A76 64-bit SoC.
• Frequência máxima CPU : O Raspberry Pi 4 tem uma frequência máxima de 1,8 GHz, enquanto o Raspberry Pi 5 atinge 2,4 GHz.
• Memória: O Raspberry Pi 4 oferece até 8GB de LPDDR4-3200 SDRAM, enquanto o Raspberry Pi 5 apresenta LPDDR4X-4267 SDRAM, disponível em variantes de 4GB e 8GB.

Estas melhorias contribuem para melhores benchmarks de desempenho para os modelos YOLO11 no Raspberry Pi 5 em comparação com o Raspberry Pi 4. Consulte a tabela de comparação da série Raspberry Pi para obter mais detalhes.

Como posso configurar um módulo de câmara Raspberry Pi para funcionar com Ultralytics YOLO11 ?

Existem dois métodos para configurar uma câmara Raspberry Pi para YOLO11 inferência:

1. Utilizar 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("yolo11n.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. Utilizar um fluxo TCP:

   rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888
   

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model("tcp://127.0.0.1:8888")
   

Para obter instruções de configuração detalhadas, visite a secção Inferência com câmara.

📅C riado há 1 ano ✏️ Atualizado há 8 dias

Comentários