Link to this section如何使用 Coral Edge TPU 在 Raspberry Pi 上运行 Ultralytics YOLO26#

Raspberry Pi 是一个节能且实惠的平台，适合在边缘端进行计算机视觉处理，但即使使用 ONNX 或 OpenVINO 等优化格式，设备上的推理速度仍然很慢。将 Raspberry Pi 与 Coral Edge TPU 协处理器配合使用，可以将推理任务卸载到专用硬件上，从而显著提升速度。本指南将向你展示如何安装运行时、将 Ultralytics YOLO26 模型导出为 Edge TPU 格式并运行加速推理。

Link to this section为什么要使用 Coral Edge TPU？#

Coral Edge TPU 是一款紧凑型设备，通过为你的系统增加一个 Edge TPU 协处理器，能够为 TensorFlow Lite 模型实现低功耗、高性能的机器学习推理。它非常适合那些仅靠 CPU 无法满足需求的嵌入式和移动端部署场景：

• 更快的推理速度 — Edge TPU 对量化模型的加速效果远超 Raspberry Pi CPU 自身的能力。
• 低功耗 — 它能提供极高的单位功率吞吐量，非常适合电池或太阳能供电的部署环境。
• 即插即用 — USB Accelerator 通过 USB 3.0 连接，无需进行额外的硬件集成。

Link to this section前提条件#

• Raspberry Pi 4B（建议 2GB 或以上）或 Raspberry Pi 5（推荐）
• Raspberry Pi OS Bullseye/Bookworm (64-bit) 桌面版（推荐）
• Coral USB Accelerator
• 一个非 ARM 平台（Google Colab、x86_64 Linux 机器或 Ultralytics Docker 容器）用于导出模型，因为 Edge TPU 编译器在 ARM 上不可用

本指南假设你已经安装好可用的 Raspberry Pi OS，并且安装了 ultralytics 及其依赖项。如果尚未安装，请先参考 快速入门指南。

准备好前提条件后，工作流包含三个步骤：在 Pi 上 安装 Edge TPU 运行时，在非 ARM 机器上 导出模型，以及回到 Pi 上 运行推理。

Link to this section安装 Edge TPU 运行时#

运行时提供多种构建版本，请选择与你的操作系统相匹配的版本。高频构建版本会让 Edge TPU 以更高的时钟速度运行以获得更好的性能，但这可能会导致热节流——如果你选择该版本，请使用某种形式的散热措施。

从此处下载最新版本，然后安装 .deb 包：

sudo dpkg -i path/to/package.deb

安装运行时后，将 Coral Edge TPU 插入 Raspberry Pi 的 USB 3.0 端口，以便新的 udev 规则生效。

# If you installed the standard version
sudo apt remove libedgetpu1-std

# If you installed the high-frequency version
sudo apt remove libedgetpu1-max

Link to this section将模型导出为 Edge TPU 格式#

要使用 Edge TPU，请将你的模型转换为兼容格式。请在非 ARM 平台上运行导出操作（如 Google Colab、x86_64 Linux 机器、官方 Ultralytics Docker 容器 或 Ultralytics Platform），因为 Edge TPU 编译器在 ARM 上不可用。请参阅 导出模式 以了解可用的参数。

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

导出的模型会保存在 <model_name>_saved_model/ 文件夹中，文件名为 <model_name>_full_integer_quant_edgetpu.tflite。

Link to this section在 Edge TPU 上运行推理#

在运行模型之前，请在 Raspberry Pi 上安装正确的库。如果已经安装了 TensorFlow，请先卸载它：

pip uninstall tensorflow tensorflow-aarch64

然后安装或更新 tflite-runtime：

pip install -U tflite-runtime

现在你可以运行推理了：

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

在 预测 页面查找有关预测模式的完整详细信息。

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")  # Inference defaults to the first TPU

model.predict("path/to/source.png", device="tpu:0")  # Select the first TPU

model.predict("path/to/source.png", device="tpu:1")  # Select the second TPU

Link to this section基准测试#

下表数据是使用 Raspberry Pi OS Bookworm 64-bit 和一个 USB Coral Edge TPU 测得的。这些数据仅显示推理时间（不包括预处理/后处理），并作为 Edge TPU 在不同 Pi 模型和模式下提供加速的相对参考。

平均而言：

• 在标准模式下，Raspberry Pi 5 比 Raspberry Pi 4B 快 22%。
• 在高频模式下，Raspberry Pi 5 比 Raspberry Pi 4B 快 30.2%。
• 高频模式比标准模式快 28.4%。

Link to this section结论#

Coral Edge TPU 将 Raspberry Pi 转变为一款功能强大的 Ultralytics YOLO26 低功耗推理设备。在非 ARM 机器上导出你的模型，保留 _edgetpu.tflite 后缀，并在 Pi 上使用 tflite-runtime 运行它，即可获得加速的边缘推理。如需更多部署选项，请参阅 Raspberry Pi 指南。

Link to this section常见问题解答#

Link to this section什么是 Coral Edge TPU？它如何通过 Ultralytics YOLO26 提升 Raspberry Pi 的性能？#

Coral Edge TPU 是一款紧凑型设备，为你的系统添加了 Edge TPU 协处理器。该协处理器实现了低功耗、高性能的机器学习推理，特别针对 TensorFlow Lite 模型进行了优化。在 Raspberry Pi 上，它能将推理速度提升至远超 CPU 单独处理的水平，从而显著增强 Ultralytics YOLO26 模型的性能。

Link to this section如何在 Raspberry Pi 上安装 Coral Edge TPU 运行时？#

Download the appropriate .deb package for your Raspberry Pi OS version from this link, then install it:

sudo dpkg -i path/to/package.deb

请务必按照 安装 Edge TPU 运行时 部分中的步骤，卸载任何之前的 Coral Edge TPU 运行时版本。

Link to this section我可以将我的 Ultralytics YOLO26 模型导出为兼容 Coral Edge TPU 的格式吗？#

可以。请在 Google Colab、x86_64 Linux 机器或 Ultralytics Docker 容器 上运行导出；你也可以使用 Ultralytics Platform。以下是如何使用 Python 和 CLI 进行导出的方法：

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

更多信息，请参考 导出模式 文档。

Link to this section如果我的 Raspberry Pi 上已经安装了 TensorFlow，但我现在想改用 tflite-runtime，该怎么办？#

如果你已经安装了 TensorFlow 并且需要切换到 tflite-runtime，请先卸载 TensorFlow：

pip uninstall tensorflow tensorflow-aarch64

然后安装或更新 tflite-runtime：

pip install -U tflite-runtime

有关详细说明，请参考 在 Edge TPU 上运行推理 部分。

Link to this section如何使用 Coral Edge TPU 在 Raspberry Pi 上运行导出的 YOLO26 模型推理？#

将 YOLO26 模型导出为 Edge TPU 兼容格式后，使用以下代码片段运行推理。模型文件必须保留 _edgetpu.tflite 后缀，这样 Ultralytics 才能将其加载到 Edge TPU 上：

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

有关预测模式的全面详细信息，请访问 预测 页面。