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

Raspberry Pi 是一款小巧、价格实惠的计算机，无需 GPU 即可运行 Ultralytics YOLO26，在边缘端实现实时目标检测。本指南将带你了解如何在 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 上实现最快推理，以及对实时摄像头画面运行预测。本指南还提供了八种导出格式的性能基准测试，帮助你为硬件选择速度与精度之间的最佳平衡。

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、价格实惠的单板计算机。它在各种项目和应用中广受欢迎，应用范围从业余爱好者的家庭自动化到工业用途。Raspberry Pi 开发板能够运行多种操作系统，并提供 GPIO（通用输入/输出）引脚，便于与传感器、执行器和其他硬件组件集成。Raspberry Pi 有多种型号，规格各不相同，但都遵循相同的基本设计理念：低成本、小巧且用途广泛。

Raspberry Pi 系列对比#

什么是 Raspberry Pi OS？#

Raspberry Pi OS（以前称为 Raspbian）是一个类 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，并采用轻量级桌面环境；在 Raspberry Pi 4 和 5 上默认使用 Wayland 运行。Raspberry Pi OS 目前仍在积极开发，重点是在 Raspberry Pi 上尽可能提升 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，将卡插入设备并启动进入操作系统。请参阅 Raspberry Pi 提供的详细入门文档，为首次使用做好设备准备。

设置 Ultralytics#

你可以通过两种方式在 Raspberry Pi 上设置 Ultralytics 包，以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 上快速开始使用 Ultralytics YOLO26 的方法，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。该容器基于官方 Python 3.13-slim-trixie 镜像，该镜像运行 Debian 13 和 Python 3.13。

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

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#

这里将在 Raspberry Pi 上安装 Ultralytics 包。导出为 NCNN 等格式所需的依赖项，会在你首次导出 PyTorch 模型时自动安装，因此这里只需安装基础包。

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 设备上可提供最佳推理性能，因为它针对 ARM 架构等移动和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

# 加载 YOLO26n PyTorch 模型
model = YOLO("yolo26n.pt")

# 将模型导出为 NCNN 格式
model.export(format="ncnn")  # creates 'yolo26n_ncnn_model'

# 加载导出的 NCNN 模型
ncnn_model = YOLO("yolo26n_ncnn_model")

# 运行推理
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

YOLO26 相较于 YOLO11 的性能提升#

YOLO26 专为 Raspberry Pi 5 等硬件资源受限的设备设计。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）。下表和图表展示了这项对比。

Raspberry Pi 5 YOLO26 基准测试#

Ultralytics 团队对 YOLO26 进行了基准测试，测量其在八种不同模型格式下的速度和准确率：PyTorch、TorchScript、ONNX、OpenVINO、LiteRT、MNN、NCNN、ExecuTorch。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。

对比图表#

我们仅列出 YOLO26n 和 YOLO26s 模型的基准测试结果，因为其他尺寸的模型对于 Raspberry Pi 来说太大，无法运行，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、LiteRT、MNN、NCNN、ExecuTorch）下运行于 Raspberry Pi 5 时的基准测试结果，包括每种组合的状态、大小、mAP50-95(B) 指标和推理耗时。

复现我们的结果#

如需在所有导出格式下复现上述 Ultralytics 基准测试，请运行以下代码：

from ultralytics import YOLO

# 加载 YOLO26n PyTorch 模型
model = YOLO("yolo26n.pt")

# 在 COCO128 数据集上对 YOLO26n 的所有导出格式进行速度和精度基准测试
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，获取实时视频流对于执行推理可能至关重要。Raspberry Pi 上的板载 MIPI CSI 接口可用于连接官方 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。你应该会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 摄像头对 YOLO26 模型运行推理有两种方法。

import cv2
from picamera2 import Picamera2

from ultralytics import YOLO

# 初始化 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()

# 加载 YOLO26 模型
model = YOLO("yolo26n.pt")

while True:
    # 逐帧捕获
    frame = picam2.capture_array()

    # 对帧运行 YOLO26 推理
    results = model(frame)

    # 可视化该帧上的结果
    annotated_frame = results[0].plot()

    # 显示处理后的帧
    cv2.imshow("Camera", annotated_frame)

    # 如果按下 'q'，则退出循环
    if cv2.waitKey(1) == ord("q"):
        break

# 释放资源并关闭窗口
cv2.destroyAllWindows()

使用 Raspberry Pi 的最佳实践#

若要让运行 YOLO26 的 Raspberry Pi 发挥最佳性能，可以遵循以下几项最佳实践。

1. 使用 SSD

   如果要将 Raspberry Pi 用于 24x7 全天候连续运行，建议使用 SSD 作为系统存储，因为 SD 卡无法承受持续写入，可能会损坏。Raspberry Pi 5 配有板载 PCIe 接口，现在你可以通过适配器连接 SSD，例如 Raspberry Pi 5 NVMe Base。

2. 不安装图形界面进行刷写

   刷写 Raspberry Pi OS 时，你可以选择不安装桌面环境（Raspberry Pi OS Lite），这样可以节省一些设备内存，为计算机视觉处理留出更多空间。

3. 对 Raspberry Pi 进行超频

   如果你想在 Raspberry Pi 5 上运行 Ultralytics YOLO26 模型时稍微提升性能，可以将 CPU 从基础频率 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，请以每次 100MHz 的幅度降低超频值。确保配备适当的散热，因为超频会增加热量，可能导致热降频。

   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. 在文件末尾添加以下几行

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1

   d. 按 CTRL + X，然后按 Y，再按 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。接下来，你可以探索预测模式以了解更多推理选项，探索导出模式以了解其他部署格式；如果你需要更强的边缘计算能力，也可以查看 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 编写。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对教育的重视。

如需了解 Kashmir World Foundation 的更多活动信息，请访问其网站。

常见问题#