快速入门指南：Raspberry Pi 与 Ultralytics YOLO26

这份综合指南详细介绍了如何在 Raspberry Pi 设备上部署 Ultralytics YOLO26。此外，它还展示了性能基准测试，以演示 YOLO26 在这些小巧而强大的设备上的能力。

什么是 Raspberry Pi？

Raspberry Pi 是一款小巧、实惠的单板计算机。从业余家庭自动化到工业用途，它在各种项目和应用中广受欢迎。Raspberry Pi 开发板能够运行多种操作系统，并提供 GPIO (General Purpose Input/Output) 引脚，方便与传感器、执行器和其他硬件组件集成。它们有不同型号和规格，但都具备低成本、紧凑和多功能的共同设计理念。

Raspberry Pi 系列对比

什么是 Raspberry Pi OS？

Raspberry Pi OS（前身为 Raspbian）是基于 Debian GNU/Linux 发行版、专为 Raspberry Pi 系列紧凑型单板计算机设计的类 Unix 操作系统，由 Raspberry Pi Foundation 发行。Raspberry Pi OS 针对带有 ARM CPU 的 Raspberry Pi 进行了高度优化，并使用带有 Openbox 堆叠窗口管理器的修改版 LXDE 桌面环境。Raspberry Pi OS 处于积极开发中，重点在于尽可能提高 Raspberry Pi 上尽可能多 Debian 软件包的稳定性和性能。

将 Raspberry Pi OS 烧录到 Raspberry Pi

拿到 Raspberry Pi 后要做的第一件事是将 Raspberry Pi OS 烧录到 micro-SD 卡中，插入设备并引导进入操作系统。请按照详细的 Raspberry Pi 入门文档 指引，为首次使用做好设备准备。

设置 Ultralytics

在 Raspberry Pi 上设置 Ultralytics 软件包以构建你的下一个 Computer Vision 项目有两种方法。你可以任选其一。

• 使用 Docker 开始
• 不使用 Docker 开始

使用 Docker 开始

在 Raspberry Pi 上开始使用 Ultralytics YOLO26 的最快方法是运行适用于 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。此镜像基于 arm64v8/debian docker 镜像，其中包含 Python3 环境下的 Debian 12 (Bookworm)。

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

完成后，跳转至 在 Raspberry Pi 上使用 NCNN 部分。

不使用 Docker 开始

安装 Ultralytics 包

在这里，我们将在 Raspberry Pi 上安装带有可选依赖项的 Ultralytics 软件包，以便我们可以将 PyTorch 模型导出为其他不同格式。

1. 更新包列表，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. 安装带有可选依赖项的 ultralytics pip 包

   pip install ultralytics[export]

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 设备上运行时可提供最佳的推理性能，因为 NCNN 是针对移动/嵌入式平台（如 ARM 架构）进行高度优化的。

将模型转换为 NCNN 并运行推理

将 PyTorch 格式的 YOLO26n 模型转换为 NCNN，以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 相较于 YOLO11 的性能改进

YOLO26 专为在 Raspberry Pi 5 等硬件受限的设备上运行而设计。与 YOLO11n 相比，YOLO26n 在 Raspberry Pi 5 上使用 ONNX 导出模型、在 640 输入尺寸下 FPS 提升了约 15% (6.79 → 7.79)，同时提供了更高的 mAP (40.1 vs 39.5)。下表和图表展示了这一对比。

Raspberry Pi 5 YOLO26 基准测试

Ultralytics 团队在十种不同的模型格式上运行了 YOLO26 基准测试，以测量速度和 accuracy：PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite, MNN, NCNN, ExecuTorch。基准测试在 Raspberry Pi 5 上以 FP32 precision 以及默认 640 输入图像尺寸下运行。

对比图表

我们仅包含 YOLO26n 和 YOLO26s 模型的基准测试，因为其他模型尺寸在 Raspberry Pi 上运行过大，且无法提供理想的性能。

详细对比表

下表展示了在 Raspberry Pi 5 上运行的两种不同模型 (YOLO26n, YOLO26s) 在十种不同格式（PyTorch, TorchScript, ONNX, OpenVINO, TF SavedModel, TF GraphDef, TF Lite, MNN, NCNN, ExecuTorch）下的基准测试结果，提供了每种组合的状态、大小、mAP50-95(B) 指标和推理时间。

复现我们的结果

若要在所有 export formats 上重现上述 Ultralytics 基准测试，请运行此代码：

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 Camera

在使用 Raspberry Pi 进行计算机视觉项目时，获取实时视频流以进行推理至关重要。Raspberry Pi 上的板载 MIPI CSI 连接器允许你连接官方的 Raspberry Pi 摄像头模块。在本指南中，我们使用了 Raspberry Pi Camera Module 3 来获取视频流，并使用 YOLO26 模型进行推理。

测试摄像头

将摄像头连接到 Raspberry Pi 后执行以下命令。你应该能看到大约 5 秒的实时摄像视频流。

rpicam-hello

使用摄像头进行推理

有两种使用 Raspberry Pi 摄像头对 YOLO26 模型进行推理的方法。

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 的最佳实践

为了在运行 YOLO26 的 Raspberry Pi 上实现最大性能，请遵循以下几项最佳实践。

1. 使用 SSD

   当 Raspberry Pi 需要 24x7 不间断运行时，建议为系统使用 SSD，因为 SD 卡无法承受持续写入，可能会损坏。借助 Raspberry Pi 5 上的板载 PCIe 连接器，你现在可以使用 Raspberry Pi 5 的 NVMe 基座 等适配器连接 SSD。

2. 无 GUI 系统刷写

   在刷写 Raspberry Pi OS 时，你可以选择不安装桌面环境（使用 Raspberry Pi OS Lite），这可以节省设备内存，为计算机视觉处理留出更多空间。

3. 超频 Raspberry Pi

   如果你想在 Raspberry Pi 5 上运行 Ultralytics YOLO26 模型时提升性能，可以将 CPU 从基础的 2.4GHz 超频至 2.9GHz，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。确保散热良好，因为超频会增加热量产生，并可能导致热节流。

   a. 升级软件

   sudo apt update && sudo apt dist-upgrade

   b. 打开并编辑配置文件

   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 保存并退出，然后按 Y，再按 ENTER

   e. 重启 Raspberry Pi

后续步骤

你已在 Raspberry Pi 上成功设置了 YOLO。如需进一步学习和支持，请访问 Ultralytics YOLO26 文档 和 Kashmir World Foundation。

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做出的开创性工作和教育投入。

欲了解更多关于 Kashmir World Foundation 活动的信息，请访问他们的 网站。

常见问题 (FAQ)

如何在不使用 Docker 的情况下在 Raspberry Pi 上设置 Ultralytics YOLO26？

要在不使用 Docker 的情况下在 Raspberry Pi 上设置 Ultralytics YOLO26，请按照以下步骤操作：

1. 更新软件包列表并安装 pip：

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

2. 安装带有可选依赖项的 Ultralytics 软件包：

   pip install ultralytics[export]

3. 重启设备以应用更改：

   sudo reboot

有关详细说明，请参考 不使用 Docker 启动 部分。

为什么我应该在 Raspberry Pi 上使用 Ultralytics YOLO26 的 NCNN 格式来完成 AI 任务？

Ultralytics YOLO26 的 NCNN 格式针对移动和嵌入式平台进行了高度优化，非常适合在 Raspberry Pi 设备上执行 AI 任务。NCNN 通过利用 ARM 架构最大限度地提高了推理性能，与其他格式相比提供了更快、更高效的处理能力。有关支持的导出选项的更多详细信息，请访问 Ultralytics 关于部署选项的文档页面。

如何将 YOLO26 模型转换为 NCNN 格式以便在 Raspberry Pi 上使用？

你可以使用 Python 或 CLI 命令将 PyTorch YOLO26 模型转换为 NCNN 格式：

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")

有关详细信息，请参阅 在 Raspberry Pi 上使用 NCNN 部分。

Raspberry Pi 4 和 Raspberry Pi 5 在运行 YOLO26 时的硬件差异有哪些？

主要区别包括：

• CPU：Raspberry Pi 4 使用 Broadcom BCM2711，Cortex-A72 64 位 SoC，而 Raspberry Pi 5 使用 Broadcom BCM2712，Cortex-A76 64 位 SoC。
• 最高 CPU 频率：Raspberry Pi 4 的最高频率为 1.8GHz，而 Raspberry Pi 5 可达 2.4GHz。
• 内存：Raspberry Pi 4 提供最高 8GB 的 LPDDR4-3200 SDRAM，而 Raspberry Pi 5 采用 LPDDR4X-4267 SDRAM，提供 4GB 和 8GB 版本。

这些改进使得 YOLO26 模型在 Raspberry Pi 5 上的性能基准比 Raspberry Pi 4 更好。有关更多详细信息，请参考 Raspberry Pi 系列对比 表格。

我该如何设置 Raspberry Pi 摄像头模块以配合 Ultralytics YOLO26 使用？

有两种设置 Raspberry Pi 摄像头以进行 YOLO26 推理的方法：

1. 使用 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("yolo26n.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. 使用 TCP 流：

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

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   results = model("tcp://127.0.0.1:8888")

有关详细设置说明，请访问 使用摄像头进行推理 部分。