树莓派 Raspberry Pi 使用 YOLOv8 YOLOv10 YOLOv11进行目标检测及推理加速，Run YOLOv8 YOLOv10 YOLOv11 on Raspberry Pi

已于 2024-10-21 16:55:25 修改
阅读量4.7k 收藏 28
点赞数
CC 4.0 BY-SA版权
分类专栏： 人工智能系统解决方案与技术架构 AI赋能行业实战：‌最佳实践与落地案例深度解析！‌ 文章标签： YOLO 目标检测 人工智能
于 2023-10-10 16:02:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wangyaninglm/article/details/133748337

文章大纲

使用树莓派摄像头 提供视频流

前置文章

libcamera

libcamera 是 linux 新增加用于访问 camera 的 API。树莓派参与了 libcamera 的开发，并且在新的摄像头软件中开始从依赖于固件的摄像头图像处理管道(Image processing pipeline, ISP)迁移到更加开放的 libcamera。

build libcamera：

  • https://www.raspberrypi.com/documentation/computers/camera_software.html#building-libcamera-and-libcamera-apps

  • https://libcamera.org/docs.html#documentation

  • https://www.tomshardware.com/how-to/use-raspberry-pi-camera-with-bullseye

了解本专栏 订阅专栏 解锁全文 超级会员免费看
基于树莓派的边缘端 AI 目标检测、目标跟踪、姿态估计 视频分析推理 加速方案：Hailo with ultralytics YOLOv8 YOLOv11
shiter编写程序的艺术
11-16 743
Hailo 发布的 Raspberry Pi AI kit 加速原理，有几篇文章介绍的不错。建议把 下面的装上。
AI：295-深入改进YOLOv8小目标检测 | 基于Gold-YOLO的Neck结构优化与应用
一键难忘的博客
09-14 3537
在目标检测领域，YOLO (You Only Look Once) 系列凭借其实时性和高效性得到了广泛应用。然而，YOLO 在处理小目标检测时，往往表现出一定的局限性。为了解决这一问题，Gold-YOLO 提出了针对小目标检测的改进策略。本文将详细探讨如何利用 Gold-YOLO 的设计理念，优化 YOLOv8 的 Neck 部分，提高其在小目标检测场景中的性能。本文将提供具体的代码实现和深度分析，帮助你更好地理解和应用这种改进。
计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践
知来者逆的博客
05-01 4279
YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。
在树莓派4B上部署yolov8环境完成高帧率检测任务
热门推荐
KevenDuan的博客
07-21 1万+
在我前面的文章里讲了如何用yolov8从0开始训练自己的模型，现在这篇文章将教大家如何在树莓派上部署yolov8的环境，以及如何实现高帧率的检测任务。
YOLOv8 模型部署到树莓派的完整指南
m0_37302966的博客
05-28 661
YOLOv8 模型部署到树莓派的完整指南
树莓派5 yolov8 ncnn部署记录
qq_32803979的博客
05-08 4323
之前在rpi5 上折腾了pytorch的yolov5lite，一开始使用imx219摄像头，结果在最新的raspberry pi os 上遇到了opencv-python不兼容libcamera的问题，无法通过python的opencv调用摄像头；然后就又破费买了USB摄像头，成功在480*320分辨率下实现10fps的实时检测。然后跟着教程把模型文件转换成onnx，结果测试时帧率反而降低了，之后便不了了之。。。
树莓派5部署自己训练的YOLOv8模型记录
2301_78674831的博客
08-24 3853
但没有AI算力的树莓派5跑yolov8还是逊...只有大概0.3fps,笔者最近也入手了Hailo-8l,得先将pt文件转为onyx文件再通过Hailo官方的DFC(数据流编译器)转化为其支持的hef文件,待我再摸索几日......注册个账号 然后把这小玩意(RealVNC viewer)下了,登录账号后让树莓派连接你的电脑热点,再输入Pi的IP地址, 输入密码就可以进入Pi的图形界面了(记得在Pi先开启VNC权限,初始配置网上有很多资料)点Start Auto label。Part1:连接自己的树莓派。
在树莓派上部署yolov8模型
zhou_18772780431的博客
09-07 1884
链接：https://pan.baidu.com/s/1IA1MFB-BiDGrnc4b9oTS9w。第五步：在pc端训练好模型后，将权重文件best.pt导入到树莓派内。如果想使用onnx进行部署，需要在树莓派上安装 onnx。我最近在训练一个手势识别模型，然后部署到树莓派上。但是我感觉这个几个的速度都差不多，帧率大概为1。第四步：在树莓派中下载yolov8源码。第三步：安装 yolov8环境包。第二步：下载opencv。第一步：树莓派烧入系统。第六步：使用下面的代码。
树莓派从零开始到部署计算机视觉项目（yolov8项目）第一集
m0_62174436的博客
02-22 1万+
本人使用的是树莓派4b，但不同版本树莓派之间差异不大，本文侧重易踩坑点和主要步骤，重点在树莓派的部署，包括opencv的安装，pytorch的安装，yolo的配置等
树莓派NCNN开发·yolov8
烂笔头·张的博客
10-11 1226
基于ncnn的yolov8开发实战，可用于移动端、嵌入式端植入
NCNN 树莓派部署U版yolov8
Meoyou的博客
07-04 1599
使用ncnn框架在树莓派4B及本地windows上测试了官方yolov8n模型
树莓派5部署yolov8
qq_73708922的博客
03-30 1167
如果已经用了sudo安装，则运行此命令，将用户pi设置为目录所有者，pi根据自己情况修改。安装过程中如果某个包报错，可以切换一下网络，单独安装这个包，之后重新安装依赖。安装过程中出现这种信息，一路按回车，之后输入yes，有确认选项就输入yes。第一条命令是给安装脚本加权限，第二条是安装Miniconda。运行以下命令，下载，py311代表python版本。安装的时候不要用sudo命令，否则可能出问题。运行以下命令，可以看到conda安装的包。打开配置文件，运行任意一条命令即可。在文件的最后添加一行。
yolov8部署在树莓派流程.zip
02-18
YOLOv8是YOLO（You Only Look Once）系列目标检测算法的最新版本，由Joseph Redmon和Ali Farhadi于2016年首次提出。YOLO是一种实时目标检测算法，其核心思想是将目标检测任务转化为一个回归问题，并通过一个单一的神经网络模型同时预测目标的类别和位置。 YOLOv8是YOLO系列算法的第八个版本，也是目前最先进的版本。相较于之前的版本，YOLOv8在检测精度和速度方面都有显著的改进。它采用了一种新的网络架构，包含多个连续的卷积层和池化层，以提取特征并减小输入数据的维度。此外，YOLOv8还引入了一些技术，如多尺度检测和筛选器裁剪，以进一步提高检测性能。 YOLOv8在训练和推理阶段都采用了全新的损失函数，能够优化目标检测的准确性和稳定性。此外，YOLOv8还可以检测出不同大小和比例的目标，并具备比较好的鲁棒性。 总的来说，YOLOv8是一种高效、准确且实时的目标检测算法，适用于多种应用场景，如智能监控、自动驾驶、工业检测等。
树莓派中用YoloV8模型检测小车.pdf
06-11
树莓派中用YoloV8模型检测小车过程解析
动物目标检测——基于YOLOv5和树莓派4B平台
shiwei0813的博客
09-12 1108
通过以上步骤，我们成功地在性能更强的计算机上训练了YOLOv5模型，并将训练好的模型部署到树莓派4B上，利用树莓派的摄像头实现了实时动物目标检测。这一过程展示了从环境配置、数据准备、模型训练到模型部署和实时推理的完整流程。通过本文的介绍，相信读者能够掌握在树莓派上部署YOLOv5进行动物目标检测的完整流程。这一技术在智能家居、安防监控、农业监测等领域具有广泛的应用前景。希望本文能够为你的项目开发提供帮助和参考。
基于嵌入式设备的YOLOv8目标检测系统部署实战：从模型训练到树莓派/Jetson应用
最新发布
06-26 481
YOLO(You Only Look Once)系列模型作为当前最先进的目标检测算法之一，以其速度快、精度高的特点广受欢迎。最新版本的YOLOv8在模型架构、训练策略和推理优化等方面都有显著改进，非常适合资源受限的嵌入式环境。本文将涵盖从数据集准备、模型训练到嵌入式部署的全流程，并提供完整的代码实现。CPU: Broadcom BCM2711 (4核Cortex-A72 @ 1.5GHz)内存: 4GB/8GB LPDDR4价格: 约35-75美元CPU: 4核ARM Cortex-A57。
【树莓派-yolov5/yolov8部署篇】
nobug_girl的博客
12-22 9171
树莓派-yolov5，直接部署和onnx部署出现的问题和思考
使用TVM在树莓派部署yolov8模型（一）
weixin_42479327的博客
04-14 755
从咸鱼淘了一个树莓派4/4G设备,测试一下TVM优化的yolov8模型在嵌入式端的推理速度.
树莓派Ubuntu部署yolov8
03-11
<think>好的，我现在需要帮助用户在树莓派上的Ubuntu系统上部署YOLOv8。根据用户提供的引用资料，我需要综合这些信息并给出一个清晰的步骤指南。首先，我需要确认用户的需求：在树莓派上安装Ubuntu，然后部署YOLOv8模型，可能涉及到环境配置、依赖安装、模型转换等步骤。 首先，安装Ubuntu系统。树莓派支持Ubuntu Server版本，用户需要从官网下载镜像并烧录到SD卡。这部分用户可能已经完成，但可能需要确认步骤是否正确，比如使用Raspberry Pi Imager工具，或者手动写入镜像。安装完成后，系统更新和基本设置是必要的，比如换源、更新软件包，这些能加速后续步骤。 接下来是部署YOLOv8的环境。根据引用[1]和[2]，用户需要安装Python环境，因为YOLOv8基于Python。建议使用虚拟环境，比如venv，来隔离项目依赖。安装PyTorch是关键，但树莓派的ARM架构可能不支持官方的PyTorch版本，所以需要查找适用于树莓派的版本，比如引用[3]提到的GitHub仓库可能提供了预编译的PyTorch，或者用户需要通过源码编译，但这可能比较复杂。需要指出正确的安装命令，比如使用pip安装特定版本的PyTorch。 然后安装Ultralytics库，这是YOLOv8的官方库。用pip安装即可，但需要注意依赖项的兼容性，可能有些包需要额外处理。例如，OpenCV的安装可能会遇到问题，可以推荐使用headless版本以减少依赖。 模型转换部分，用户可能需要将YOLOv8模型转换为ONNX格式以便在树莓派上高效运行。引用[2]提到安装ONNX运行时，所以需要指导用户如何导出模型为ONNX，并安装onnxruntime库。这里需要给出具体的Python代码示例，比如使用YOLO类的export方法，并说明参数设置。 部署和推理阶段，用户需要编写推理脚本，加载ONNX模型并进行预测。这里需要示例代码，展示如何读取图像、预处理、运行模型、后处理结果。同时，要提到性能优化，比如使用OpenCV的DNN模块或者量化技术，如引用[3]中的项目可能采用了这些方法。 最后，常见问题部分需要提醒用户可能遇到的错误，比如依赖缺失、架构不兼容、性能低下，并给出解决建议，比如使用轻量模型、调整输入分辨率等。 在整理步骤时，需要确保命令和代码的正确性，特别是针对树莓派的ARM架构。同时，引用相关的参考资料，比如安装ONNX时引用[2]，性能优化参考[3]等，确保用户能追溯到原始信息。需要避免使用复杂的术语，保持说明简洁明了，逐步引导用户完成部署过程。</think>### 在树莓派 Ubuntu 上部署 YOLOv8 的步骤指南 #### 1. **安装 Ubuntu 系统** - 下载 **Ubuntu Server 64-bit** 镜像（适配树莓派4B及以上型号），使用工具（如 `Raspberry Pi Imager`）将镜像烧录到 SD 卡[^3]。 - 首次启动后更新系统： ```bash sudo apt update && sudo apt upgrade -y ``` #### 2. **配置 Python 环境** - 安装 Python 3.9+ 和虚拟环境工具： ```bash sudo apt install python3 python3-venv ``` - 创建并激活虚拟环境： ```bash python3 -m venv yolov8_env source yolov8_env/bin/activate ``` #### 3. **安装依赖库** - 安装 PyTorch（需适配 ARM 架构）： ```bash pip install torch==2.0.0 torchvision==0.15.0 --extra-index-url https://download.pytorch.org/whl/rocm5.4.2 ``` > 注意：若官方版本不兼容，可参考 [sungjuGit/PyTorch-and-Vision-for-Raspberry-Pi-4B](https://github.com/sungjuGit/PyTorch-and-Vision-for-Raspberry-Pi-4B) 编译安装。 - 安装 YOLOv8 核心库： ```bash pip install ultralytics ``` - 安装 ONNX 运行时（用于模型部署）： ```bash pip install onnxruntime -i https://pypi.tuna.tsinghua.edu.cn/simple [^2] ``` #### 4. **导出 YOLOv8 模型为 ONNX 格式** - 使用 Python 脚本转换模型： ```python from ultralytics import YOLO model = YOLO("yolov8n.pt") # 加载预训练模型 model.export(format="onnx", dynamic=True) # 导出为 ONNX 格式 ``` - 生成的 `yolov8n.onnx` 文件将保存在当前目录。 #### 5. **部署与推理** - 编写 ONNX 推理脚本（示例）： ```python import cv2 import numpy as np import onnxruntime as ort # 加载 ONNX 模型 session = ort.InferenceSession("yolov8n.onnx") # 预处理图像 image = cv2.imread("test.jpg") input_tensor = cv2.resize(image, (640, 640)) # 调整尺寸 input_tensor = input_tensor.transpose(2,0,1)[np.newaxis, :].astype(np.float32) / 255.0 # 运行推理 outputs = session.run(None, {"images": input_tensor}) # 解析检测结果（需根据模型输出结构调整） boxes = outputs[0][:, :4] scores = outputs[0][:, 4] class_ids = outputs[0][:, 5] ``` - 使用 OpenCV 进行后处理并绘制检测框。 #### 6. **性能优化建议** - **降低输入分辨率**：将模型输入从 `640x640` 改为 `320x320`，减少计算量。 - **使用 TensorRT 加速**：将 ONNX 模型转换为 TensorRT 引擎（需安装 `TensorRT` 库）。 - **启用多线程推理**：在 ONNX 运行时配置中设置线程数： ```python options = ort.SessionOptions() options.intra_op_num_threads = 4 session = ort.InferenceSession("yolov8n.onnx", options) ``` #### 常见问题 - **依赖冲突**：若安装失败，尝试指定库版本（如 `numpy==1.23.5`）。 - **帧率低**：改用轻量模型（如 `yolov8n`），或参考 [树莓派4B小车部署yolov5s](https://github.com/sungjuGit/PyTorch-and-Vision-for-Raspberry-Pi-4B) 的优化方法。 - **内存不足**：关闭桌面环境（Ubuntu Server 版更轻量）。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

shiter

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值