Руководство по быстрому старту: Raspberry Pi с Ultralytics YOLO11

В этом подробном руководстве содержится подробная инструкция по развертыванию Ultralytics YOLO11 на устройствах Raspberry Pi. Кроме того, в нем приведены контрольные показатели производительности, демонстрирующие возможности YOLO11 на этих небольших и мощных устройствах.

Смотреть: Обновления и улучшения Raspberry Pi 5.

Что такое Raspberry Pi?

Raspberry Pi - это небольшой, доступный по цене одноплатный компьютер. Он стал популярным для широкого спектра проектов и приложений, от домашней автоматизации для любителей до промышленного использования. Платы Raspberry Pi могут работать под управлением различных операционных систем и оснащены контактами GPIO (General Purpose Input/Output), которые позволяют легко интегрировать их с датчиками, исполнительными механизмами и другими аппаратными компонентами. Они выпускаются в различных моделях с разными техническими характеристиками, но все они имеют одну и ту же основную философию дизайна - быть недорогими, компактными и универсальными.

Сравнение серий Raspberry Pi

Что такое Raspberry Pi OS?

Raspberry Pi OS (ранее известная как Raspbian) - Unix-подобная операционная система, основанная на дистрибутиве Debian GNU/Linux для компактных одноплатных компьютеров семейства Raspberry Pi, распространяемых компанией Raspberry Pi Foundation. Raspberry Pi OS сильно оптимизирована для Raspberry Pi с процессорами ARM и использует модифицированное окружение рабочего стола LXDE с оконным менеджером Openbox stacking. Raspberry Pi OS находится в активной разработке, с акцентом на улучшение стабильности и производительности как можно большего количества пакетов Debian на Raspberry Pi.

Прошивка Raspberry Pi OS на Raspberry Pi

Первое, что нужно сделать, получив в руки Raspberry Pi, - прошить карту micro-SD с ОС Raspberry Pi, вставить ее в устройство и загрузиться в ОС. Следуйте подробной документации по началу работы с Raspberry Pi, чтобы подготовить устройство к первому использованию.

Установка Ultralytics

Существует два способа установки пакета Ultralytics на Raspberry Pi для создания вашего следующего проекта по компьютерному зрению. Вы можете использовать любой из них.

• Начните с Docker
• Запуск без Docker

Начните с Docker

Самый быстрый способ начать работу с Ultralytics YOLO11 на Raspberry Pi - запустить предварительно созданный образ docker для Raspberry Pi.

Выполните приведенную ниже команду, чтобы извлечь контейнер Docker и запустить его на Raspberry Pi. Он основан на докер-образе arm64v8/debian, который содержит Debian 12 (Bookworm) в окружении Python3.

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

После этого перейдите к разделу "Использование NCNN на Raspberry Pi".

Запуск без Docker

Установите пакет Ultralytics

Здесь мы установим пакет Ultralytics на Raspberry Pi с дополнительными зависимостями, чтобы мы могли экспортировать PyTorch модели в другие различные форматы.

1. Обновление списка пакетов, установка pip и обновление до последней версии

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

2. Установите ultralytics Пакет pip с дополнительными зависимостями

   pip install ultralytics[export]
   

3. Перезагрузите устройство

   sudo reboot
   

Использование NCNN на Raspberry Pi

Из всех форматов экспорта моделей, поддерживаемых Ultralytics, NCNN обеспечивает наилучшую производительность при работе с устройствами Raspberry Pi, поскольку NCNN оптимизирован для мобильных/встраиваемых платформ (таких как архитектура ARM). Поэтому мы рекомендуем использовать NCNN для Raspberry Pi.

Преобразование модели в NCNN и проведение расчетов

Модель YOLO11n в формате PyTorch преобразуется в формат NCNN для проведения расчетов с экспортированной моделью.

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 Бенчмарки

YOLO11 Команда Ultralytics провела бенчмарки на девяти различных форматах моделей, измеряя скорость и точность: PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN. Бенчмарки выполнялись на Raspberry Pi 5 с точностью FP32 при стандартном размере входного изображения 640.

Сравнительная таблица

Мы включили бенчмарки только для моделей YOLO11n и YOLO11s, поскольку другие модели слишком велики для работы на Raspberry Pis и не обеспечивают достойной производительности.

Подробная сравнительная таблица

В таблице ниже представлены результаты бенчмарка для двух разных моделей (YOLO11n, YOLO11s) для девяти различных форматов (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel , TF GraphDef , TF Lite, PaddlePaddle, NCNN), работающих на Raspberry Pi 5, с указанием статуса, размера, метрики mAP50-95(B) и времени вывода для каждой комбинации.

Воспроизведите наши результаты

Чтобы воспроизвести приведенные выше Ultralytics контрольные показатели для всех форматов экспорта, выполните этот код:

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

Используйте камеру Raspberry Pi

При использовании Raspberry Pi в проектах по компьютерному зрению может возникнуть необходимость в получении видеоизображения в реальном времени для проведения выводов. Встроенный разъем MIPI CSI на Raspberry Pi позволяет подключать официальные модули камер Raspberry PI. В этом руководстве мы использовали модуль камеры Raspberry Pi Camera Module 3 для захвата видеопотока и проведения расчетов с использованием моделей YOLO11 .

Проверьте камеру

После подключения камеры к Raspberry Pi выполните следующую команду. Вы должны увидеть прямую трансляцию видео с камеры в течение примерно 5 секунд.

rpicam-hello

Умозаключение с помощью камеры

Существует два способа использования камеры Raspberry Pi для вывода моделей 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"

Лучшие практики при использовании Raspberry Pi

Чтобы обеспечить максимальную производительность на Raspberry Pis под управлением YOLO11, необходимо следовать нескольким рекомендациям.

1. Используйте твердотельный накопитель

   При непрерывном использовании Raspberry Pi в режиме 24x7 рекомендуется использовать для системы SSD, поскольку SD-карта не выдержит непрерывной записи и может выйти из строя. Благодаря встроенному разъему PCIe в Raspberry Pi 5 теперь можно подключать SSD-накопители с помощью адаптера, например NVMe Base для Raspberry Pi 5.

2. Flash без графического интерфейса

   При прошивке Raspberry Pi OS можно отказаться от установки среды рабочего стола (Raspberry Pi OS Lite), что позволит немного сэкономить оперативную память устройства, оставив больше места для обработки компьютерного зрения.

Следующие шаги

Поздравляем с успешной настройкой YOLO на вашем Raspberry Pi! Для дальнейшего обучения и поддержки посетите сайт Ultralytics YOLO11 Docs и Kashmir World Foundation.

Благодарности и цитаты

Это руководство было изначально создано Дааном Элтинком для Kashmir World Foundation, организации, занимающейся использованием YOLO для сохранения исчезающих видов. Мы признаем их новаторскую работу и образовательную направленность в области технологий обнаружения объектов.

Более подробную информацию о деятельности фонда Kashmir World Foundation вы можете найти на его сайте.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как установить Ultralytics YOLO11 на Raspberry Pi без использования Docker?

Чтобы установить Ultralytics YOLO11 на Raspberry Pi без Docker, выполните следующие действия:

1. Обновите список пакетов и установите pip:

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

2. Установите пакет Ultralytics с дополнительными зависимостями:

   pip install ultralytics[export]
   

3. Перезагрузите устройство, чтобы применить изменения:

   sudo reboot
   

Подробные инструкции см. в разделе " Запуск без Docker ".

Почему стоит использовать формат Ultralytics YOLO11 ' NCNN на Raspberry Pi для задач искусственного интеллекта?

Ultralytics YOLO11Формат NCNN оптимизирован для мобильных и встраиваемых платформ, что делает его идеальным для выполнения задач ИИ на устройствах Raspberry Pi. NCNN максимально повышает производительность выводов за счет использования архитектуры ARM, обеспечивая более быструю и эффективную обработку по сравнению с другими форматами. Более подробную информацию о поддерживаемых вариантах экспорта можно найти на странице документацииUltralytics , посвященной вариантам развертывания.

Как преобразовать модель YOLO11 в формат NCNN для использования на Raspberry Pi?

Вы можете преобразовать модель PyTorch YOLO11 в формат NCNN с помощью команд Python или 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'

Более подробную информацию вы найдете в разделе Использование NCNN на Raspberry Pi.

Какие аппаратные различия между Raspberry Pi 4 и Raspberry Pi 5 имеют отношение к запуску YOLO11?

Основные отличия включают:

• CPU: В Raspberry Pi 4 используется 64-битная SoC Broadcom BCM2711, Cortex-A72, а в Raspberry Pi 5 - 64-битная SoC Broadcom BCM2712, Cortex-A76.
• Максимальная частота CPU : Максимальная частота Raspberry Pi 4 составляет 1,8 ГГц, а Raspberry Pi 5 - 2,4 ГГц.
• Память: Raspberry Pi 4 предлагает до 8 ГБ памяти LPDDR4-3200 SDRAM, а Raspberry Pi 5 - LPDDR4X-4267 SDRAM, доступную в вариантах 4 и 8 ГБ.

Эти усовершенствования способствуют повышению производительности моделей YOLO11 на Raspberry Pi 5 по сравнению с Raspberry Pi 4. Более подробную информацию см. в таблице сравнения серий Raspberry Pi.

Как настроить модуль камеры Raspberry Pi для работы с Ultralytics YOLO11 ?

Существует два способа настройки камеры Raspberry Pi для получения выводов YOLO11 :

1. Использование 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. Использование потока 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")
   

Подробные инструкции по настройке можно найти в разделе "Умозаключение с помощью камеры".

📅 Создано 1 год назад ✏️ Обновлено 8 дней назад

Комментарии