Hızlı Başlangıç Kılavuzu: Raspberry Pi ile Ultralytics YOLOv8

Bu kapsamlı kılavuz, Raspberry Pi cihazlarına Ultralytics YOLOv8 adresini dağıtmak için ayrıntılı bir yol göstermektedir. Ayrıca, bu küçük ve güçlü cihazlarda YOLOv8 'un yeteneklerini göstermek için performans kıyaslamalarını sergilemektedir.

İzle: Raspberry Pi 5 güncellemeleri ve iyileştirmeleri.

Raspberry Pi nedir?

Raspberry Pi küçük, uygun fiyatlı, tek kartlı bir bilgisayardır. Hobi amaçlı ev otomasyonundan endüstriyel kullanımlara kadar çok çeşitli proje ve uygulamalar için popüler hale gelmiştir. Raspberry Pi kartları çeşitli işletim sistemlerini çalıştırabilir ve sensörler, aktüatörler ve diğer donanım bileşenleri ile kolay entegrasyon sağlayan GPIO (Genel Amaçlı Giriş/Çıkış) pinleri sunar. Farklı özelliklere sahip farklı modellerde gelirler, ancak hepsi düşük maliyetli, kompakt ve çok yönlü olma konusunda aynı temel tasarım felsefesini paylaşırlar.

Raspberry Pi Serisi Karşılaştırması

Raspberry Pi OS nedir?

Raspberry Pi OS (eski adıyla Raspbian), Raspberry Pi Vakfı tarafından dağıtılan Raspberry Pi kompakt tek kartlı bilgisayar ailesi için Debian GNU/Linux dağıtımını temel alan Unix benzeri bir işletim sistemidir. Raspberry Pi OS, ARM CPU'lu Raspberry Pi için son derece optimize edilmiştir ve Openbox istifleme pencere yöneticisi ile değiştirilmiş bir LXDE masaüstü ortamı kullanır. Raspberry Pi OS, Raspberry Pi'de mümkün olduğunca çok sayıda Debian paketinin kararlılığını ve performansını artırmaya vurgu yaparak aktif olarak geliştirilmektedir.

Raspberry Pi OS'yi Raspberry Pi'ye Flashlama

Raspberry Pi'yi elinize aldıktan sonra yapmanız gereken ilk şey, Raspberry Pi OS ile bir micro-SD kartı flaşlamak, cihaza takmak ve işletim sistemini başlatmaktır. Cihazınızı ilk kullanıma hazırlamak için Raspberry Pi'nin ayrıntılı Başlangıç Dokümantasyonunu takip edin.

Kurulum Ultralytics

There are two ways of setting up Ultralytics package on Raspberry Pi to build your next Computer Vision project. You can use either of them.

• Docker ile başlayın
• Docker olmadan başlayın

Docker ile başlayın

Raspberry Pi üzerinde Ultralytics YOLOv8 kullanmaya başlamanın en hızlı yolu Raspberry Pi için önceden oluşturulmuş docker imajı ile çalıştırmaktır.

Docker konteynerini çekmek ve Raspberry Pi üzerinde çalıştırmak için aşağıdaki komutu yürütün. Bu, Python3 ortamında Debian 12 (Bookworm) içeren arm64v8/debian docker görüntüsüne dayanmaktadır.

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

Bu işlem tamamlandıktan sonra Raspberry Pi üzerinde NCNN adresini kullanın bölümüne geçin.

Docker olmadan başlayın

Ultralytics Paketini Yükleyin

Here we will install Ultralytics package on the Raspberry Pi with optional dependencies so that we can export the PyTorch models to other different formats.

1. Paket listesini güncelleyin, pip yükleyin ve en son sürüme yükseltin

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

2. Kurulum ultralytics isteğe bağlı bağımlılıklarla pip paketi

   pip install ultralytics[export]
   

3. Cihazı yeniden başlatın

   sudo reboot
   

Raspberry Pi üzerinde NCNN kullanın

Ultralytics tarafından desteklenen tüm model dışa aktarma formatlarından , NCNN Raspberry Pi cihazlarıyla çalışırken en iyi çıkarım performansını sunar çünkü NCNN mobil / gömülü platformlar (ARM mimarisi gibi) için son derece optimize edilmiştir. Bu nedenle bizim tavsiyemiz Raspberry Pi ile NCNN adresini kullanmanızdır.

Modeli NCNN 'a Dönüştürün ve Çıkarım Çalıştırın

PyTorch biçimindeki YOLOv8n modeli, dışa aktarılan modelle çıkarım yapmak için NCNN biçimine dönüştürülür.

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolov8n_ncnn_model")

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

# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates 'yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Raspberry Pi 5 vs Raspberry Pi 4 YOLOv8 Benchmarklar

YOLOv8 benchmarks were run by the Ultralytics team on nine different model formats measuring speed and accuracy: PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite, PaddlePaddle, NCNN. Benchmarks were run on both Raspberry Pi 5 and Raspberry Pi 4 at FP32 precision with default input image size of 640.

Karşılaştırma Tablosu

Performans

YOLOv8nYOLOv8s

Detaylı Karşılaştırma Tablosu

Aşağıdaki tablo, iki farklı model için kıyaslama sonuçlarını temsil etmektedir (YOLOv8n, YOLOv8s) dokuz farklı formatta (PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite PaddlePaddle, NCNN), hem Raspberry Pi 4 hem de Raspberry Pi 5 üzerinde çalışır ve bize her kombinasyon için durumu, boyutu, mAP50-95(B) metriğini ve çıkarım süresini verir.

Sonuçlarımızı Yeniden Üretin

Yukarıdaki Ultralytics kıyaslamalarını tüm dışa aktarma biçimlerinde yeniden oluşturmak için bu kodu çalıştırın:

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
results = model.benchmarks(data="coco8.yaml", imgsz=640)

# Benchmark YOLOv8n speed and accuracy on the COCO8 dataset for all all export formats
yolo benchmark model=yolov8n.pt data=coco8.yaml imgsz=640

Raspberry Pi Kamera Kullanın

Raspberry Pi'yi Bilgisayarla Görme projeleri için kullanırken, çıkarım yapmak için gerçek zamanlı video beslemeleri almak esas olabilir. Raspberry Pi üzerindeki yerleşik MIPI CSI konektörü, resmi Raspberry PI kamera modüllerini bağlamanıza olanak tanır. Bu kılavuzda, video akışlarını almak ve YOLOv8 modellerini kullanarak çıkarım yapmak için bir Raspberry Pi Kamera Modülü 3 kullandık.

Kamerayı Test Edin

Kamerayı Raspberry Pi'ye bağladıktan sonra aşağıdaki komutu çalıştırın. Yaklaşık 5 saniye boyunca kameradan canlı bir video akışı görmelisiniz.

rpicam-hello

Kamera ile Çıkarım

Raspberry Pi Kamerayı YOLOv8 modellerini çıkarmak için kullanmanın 2 yöntemi vardır.

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 YOLOv8 model
model = YOLO("yolov8n.pt")

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

    # Run YOLOv8 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 YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

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

yolo predict model=yolov8n.pt source="tcp://127.0.0.1:8888"

Raspberry Pi kullanırken en iyi uygulamalar

YOLOv8 çalıştıran Raspberry Pis üzerinde maksimum performans sağlamak için izlenecek birkaç en iyi uygulama vardır.

1. Bir SSD kullanın

   Raspberry Pi'yi 7x24 sürekli kullanım için kullanırken, bir SD kart sürekli yazmaya dayanamayacağı ve kırılabileceği için sistem için bir SSD kullanılması önerilir. Raspberry Pi 5 üzerindeki yerleşik PCIe konektörü ile artık Raspberry Pi 5 için NVMe Base gibi bir adaptör kullanarak SSD'leri bağlayabilirsiniz.

2. GUI olmadan Flash

   Raspberry Pi OS'yi yanıp sönerken, Masaüstü ortamını (Raspberry Pi OS Lite) yüklememeyi seçebilirsiniz ve bu, cihazda biraz RAM tasarrufu sağlayarak bilgisayar görüşü işleme için daha fazla alan bırakabilir.

Sonraki Adımlar

Raspberry Pi'nizde YOLO 'u başarıyla kurduğunuz için tebrikler! Daha fazla öğrenme ve destek için Ultralytics YOLOv8 Docs ve Kashmir World Foundation adreslerini ziyaret edin.

Teşekkür ve Atıflar

Bu kılavuz ilk olarak Daan Eeltink tarafından, nesli tükenmekte olan türlerin korunması için YOLO adresinin kullanılmasına adanmış bir kuruluş olan Kashmir World Foundation için hazırlanmıştır. Nesne algılama teknolojileri alanındaki öncü çalışmalarını ve eğitime odaklanmalarını takdirle karşılıyoruz.

Kashmir World Foundation'ın faaliyetleri hakkında daha fazla bilgi için web sitesini ziyaret edebilirsiniz.

SSS

Docker kullanmadan Raspberry Pi üzerinde Ultralytics YOLOv8 adresini nasıl kurabilirim?

Docker olmadan bir Raspberry Pi üzerinde Ultralytics YOLOv8 kurmak için aşağıdaki adımları izleyin:

1. Paket listesini güncelleyin ve yükleyin pip:

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

2. Ultralytics paketini isteğe bağlı bağımlılıklarla birlikte yükleyin:

   pip install ultralytics[export]
   

3. Değişiklikleri uygulamak için cihazı yeniden başlatın:

   sudo reboot
   

Ayrıntılı talimatlar için Docker olmadan başlat bölümüne bakın.

Yapay zeka görevleri için Raspberry Pi'de neden Ultralytics YOLOv8 'un NCNN formatını kullanmalıyım?

Ultralytics YOLOv8'in NCNN formatı, mobil ve gömülü platformlar için son derece optimize edilmiştir ve Raspberry Pi cihazlarında yapay zeka görevlerini çalıştırmak için idealdir. NCNN , ARM mimarisinden yararlanarak çıkarım performansını en üst düzeye çıkarır ve diğer formatlara kıyasla daha hızlı ve daha verimli işleme sağlar. Desteklenen dışa aktarma seçenekleri hakkında daha fazla bilgi için dağıtım seçenekleriyle ilgiliUltralytics dokümantasyon sayfasını ziyaret edin.

Raspberry Pi'de kullanmak için bir YOLOv8 modelini NCNN formatına nasıl dönüştürebilirim?

Bir PyTorch YOLOv8 modelini Python veya CLI komutlarını kullanarak NCNN biçimine dönüştürebilirsiniz:

from ultralytics import YOLO

# Load a YOLOv8n PyTorch model
model = YOLO("yolov8n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolov8n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolov8n_ncnn_model")

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

# Export a YOLOv8n PyTorch model to NCNN format
yolo export model=yolov8n.pt format=ncnn  # creates 'yolov8n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolov8n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

Daha fazla ayrıntı için Raspberry Pi'de NCNN adresini kullanma bölümüne bakın.

Raspberry Pi 4 ve Raspberry Pi 5 arasındaki YOLOv8 çalıştırma ile ilgili donanım farklılıkları nelerdir?

Temel farklılıklar şunları içerir:

• CPU: Raspberry Pi 4, Broadcom BCM2711, Cortex-A72 64-bit SoC kullanırken, Raspberry Pi 5 Broadcom BCM2712, Cortex-A76 64-bit SoC kullanır.
• Maksimum CPU Frekans: Raspberry Pi 4 maksimum 1.8GHz frekansa sahipken, Raspberry Pi 5 2.4GHz'e ulaşır.
• Bellek: Raspberry Pi 4, 8GB'a kadar LPDDR4-3200 SDRAM sunarken Raspberry Pi 5, 4GB ve 8GB varyantları bulunan LPDDR4X-4267 SDRAM'a sahiptir.

Bu geliştirmeler, Raspberry Pi 5'teki YOLOv8 modelleri için Raspberry Pi 4'e kıyasla daha iyi performans kıyaslamalarına katkıda bulunur. Daha fazla ayrıntı için Raspberry Pi Serisi Karşılaştırma tablosuna bakın.

Raspberry Pi Kamera Modülünü Ultralytics YOLOv8 ile çalışacak şekilde nasıl kurabilirim?

Raspberry Pi Kamerayı YOLOv8 çıkarımı için kurmanın iki yöntemi vardır:

1. Kullanma 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("yolov8n.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. TCP Akışı Kullanma:

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

   from ultralytics import YOLO
   
   model = YOLO("yolov8n.pt")
   results = model("tcp://127.0.0.1:8888")
   

Ayrıntılı kurulum talimatları için Kamera ile Çıkarım bölümünü ziyaret edin.

📅 Created 11 months ago ✏️ Updated 7 days ago

Yorumlar