快速入门指南：搭配 Ultralytics YOLO26 使用 Raspberry Pi#

Raspberry Pi 是一款小巧、经济实惠的计算机，可在边缘端运行 Ultralytics YOLO26，实现实时 目标检测，无需 GPU。本指南将带你在 Raspberry Pi 4 和 5 上部署 YOLO26：刷写操作系统、安装 Ultralytics、导出为 NCNN 以在 ARM 上实现最快的 推理，以及在实时摄像头画面上运行预测。指南还包含八种导出格式的性能基准测试，帮助你根据硬件选择速度与 精度 的最佳平衡。

跳转至设置 Ultralytics、导出为 NCNN 并运行推理、基准测试或摄像头推理。

什么是 Raspberry Pi？#

Raspberry Pi 是一款小巧、经济实惠的单板计算机。它已广泛应用于各种项目和场景，从业余爱好者的家庭自动化到工业用途。Raspberry Pi 主板能够运行多种操作系统，并提供 GPIO（通用输入/输出）引脚，方便与传感器、执行器及其他硬件组件集成。Raspberry Pi 有多个型号，规格各不相同，但都秉持低成本、小巧紧凑且用途广泛的基本设计理念。

Raspberry Pi 系列对比#

什么是 Raspberry Pi OS？#

Raspberry Pi OS（之前称为 Raspbian）是一款类 Unix 操作系统，基于 Debian GNU/Linux 发行版，面向 Raspberry Pi Foundation 发布的 Raspberry Pi 系列紧凑型单板计算机。Raspberry Pi OS 针对配备 ARM CPU 的 Raspberry Pi 进行了高度优化，并使用经过修改的 LXDE 桌面环境和 Openbox 堆叠式窗口管理器。Raspberry Pi OS 正在持续开发，重点是尽可能提升 Raspberry Pi 上各种 Debian 软件包的稳定性和性能。

将 Raspberry Pi OS 刷写到 Raspberry Pi#

拿到 Raspberry Pi 后，首先要做的是将 Raspberry Pi OS 刷写到 micro-SD 卡中，将其插入设备并启动进入操作系统。请按照 Raspberry Pi 提供的详细入门文档完成设备的首次使用准备。

设置 Ultralytics#

你可以通过两种方式在 Raspberry Pi 上设置 Ultralytics 软件包，用于接下来的计算机视觉项目：

• 从 Docker 开始
• 不使用 Docker 开始

从 Docker 开始#

在 Raspberry Pi 上开始使用 Ultralytics YOLO26 的最快方式，是运行适用于 Raspberry Pi 的预构建 Docker 镜像。

执行以下命令以拉取 Docker 容器并在 Raspberry Pi 上运行。该容器基于 arm64v8/ubuntu Docker 镜像，可在 Python3 环境中运行 Ubuntu 24.04。

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

该 Docker 镜像已包含 Ultralytics，因此你可以直接将模型导出为 NCNN。

不使用 Docker 开始#

安装 Ultralytics 包#

下面将在 Raspberry Pi 上安装 Ultralytics 软件包。首次将 PyTorch 模型导出为 NCNN 等格式时，导出依赖项会自动安装，因此这里只需要安装基础软件包。

1. 更新软件包列表、安装 pip 并升级到最新版本

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

2. 安装 ultralytics pip 包

   pip install ultralytics

3. 重启设备

   sudo reboot

在 Raspberry Pi 上使用 NCNN#

在 Ultralytics 支持的所有模型导出格式中，NCNN 在 Raspberry Pi 设备上提供了最佳的推理性能，因为它针对 ARM 架构等移动端/嵌入式平台进行了高度优化。将 YOLO26n PyTorch 模型转换为 NCNN，然后使用导出的模型运行推理：

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo26n_ncnn_model")

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

YOLO26 相比 YOLO11 的性能提升#

YOLO26 专为 Raspberry Pi 5 等硬件受限设备而设计。与 YOLO11n 相比，在 Raspberry Pi 5 上使用 ONNX 导出模型、输入尺寸为 640 时，YOLO26n 的 FPS 提升约 ~15%（6.79 → 7.79），同时 mAP 更高（40.1 对比 39.5）。下方的表格和图表展示了这一对比。

Raspberry Pi 5 YOLO26 基准测试#

YOLO26 基准测试由 Ultralytics 团队在八种不同模型格式上完成，用于测量速度和精度：PyTorch、TorchScript、ONNX、OpenVINO、MNN、NCNN、ExecuTorch、LiteRT。基准测试在 Raspberry Pi 5 上以 FP32 精度运行，默认输入图像尺寸为 640。

对比图#

我们仅包含 YOLO26n 和 YOLO26s 模型的基准测试，因为其他模型尺寸过大，无法在 Raspberry Pi 上运行，也无法提供良好的性能。

详细对比表#

下表展示了两种不同模型（YOLO26n、YOLO26s）在八种不同格式（PyTorch、TorchScript、ONNX、OpenVINO、MNN、NCNN、ExecuTorch、LiteRT）下的基准测试结果。这些模型均在 Raspberry Pi 5 上运行，表中列出了每种组合的状态、大小、mAP50-95(B) 指标和推理时间。

复现我们的结果#

要在所有导出格式上复现上述 Ultralytics 基准测试，请运行以下代码：

from ultralytics import YOLO

# Load a YOLO26n PyTorch model
model = YOLO("yolo26n.pt")

# Benchmark YOLO26n speed and accuracy on the COCO128 dataset for all export formats
results = model.benchmark(data="coco128.yaml", imgsz=640)

使用 Raspberry Pi 摄像头#

在使用 Raspberry Pi 进行计算机视觉项目时，获取实时视频流以执行推理可能至关重要。Raspberry Pi 板载的 MIPI CSI 接口允许你连接官方 Raspberry PI 摄像头模块。在本指南中，我们使用了 Raspberry Pi Camera Module 3 获取视频流，并使用 YOLO26 模型执行推理。

测试摄像头#

将摄像头连接到 Raspberry Pi 后，执行以下命令。你应该能看到摄像头的实时视频流，持续约 5 秒。

rpicam-hello

使用摄像头进行推理#

使用 Raspberry Pi Camera 对 YOLO26 模型运行推理有两种方法。

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 YOLO26 model
model = YOLO("yolo26n.pt")

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

    # Run YOLO26 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()

使用 Raspberry Pi 时的最佳实践#

要让运行 YOLO26 的 Raspberry Pi 实现最佳性能，需要遵循一些最佳实践。

1. 使用 SSD

   如果 Raspberry Pi 需要 24x7 持续运行，建议将 SSD 用作系统盘，因为 SD 卡无法承受持续写入，可能会损坏。借助 Raspberry Pi 5 板载的 PCIe 接口，你现在可以使用适配器连接 SSD，例如 Raspberry Pi 5 NVMe Base。

2. 不使用 GUI 刷写

   刷写 Raspberry Pi OS 时，你可以选择不安装桌面环境（Raspberry Pi OS Lite），这样可以节省设备上的一部分 RAM，为计算机视觉处理留出更多空间。

3. 超频 Raspberry Pi

   如果你想在树莓派 5 上运行 Ultralytics YOLO26 模型时获得一点性能提升，可以将 CPU 从基础的 2.4GHz 超频至 3.0GHz，并将 GPU 从 800MHz 超频至 1GHz。如果系统变得不稳定或崩溃，请以 100MHz 为增量降低超频值。请确保做好适当的散热，因为超频会增加发热量并可能导致降频。

   a. 升级软件

   sudo apt update && sudo apt dist-upgrade

   b. 打开配置文件进行编辑

   sudo nano /boot/firmware/config.txt

   c. 在底部添加以下行

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. 按 CTRL + X，然后按 Y 并按 ENTER 保存并退出

   e. 重启 Raspberry Pi

后续步骤#

你已成功在 Raspberry Pi 上设置 YOLO26。要进一步探索，请查看预测模式以了解更多推理选项，查看导出模式以了解其他部署格式；如果你需要在边缘端使用更强的计算能力，还可以参阅 NVIDIA Jetson 指南。完整文档请访问 Ultralytics YOLO26 文档。

致谢与引用#

本指南最初由 Daan Eeltink 为 Kashmir World Foundation 创建。该组织致力于使用 YOLO 保护濒危物种。我们感谢他们在目标检测技术领域的开创性工作和教育重点。

有关 Kashmir World Foundation 活动的更多信息，请访问其网站。

常见问题#