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5.1k 收藏 29
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

基于python：树莓派安装

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 1036
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 3701
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。
MindSpore应用系列：树莓派上运行YOLOv5进行实时目标检测（三）
huodagu的博客
08-18 772
每一层都有3个anchor，每一anchor对应的（5+分类数）个通道，假设分类数为2，那一共就是7个通道了，这7个通道分别是xywh（4个通道)，置信度（1个通道），分类（此处2分类，就是2个通道）物体边框的4个值，x,y,w,h，不过这个x，y并不直接是物体框中心点的坐标，而是它相对于自身所处的格子左上角的偏移，然后再把这个中心点的相对值作用到原图的尺度得到最终的坐标。然后就是宽高，宽高也不是直接预测出物体边框的宽高，而是基于anchor的，预测出来的值会乘上anchor的宽高得出最终的宽高。
超详细的YOLOv8安装与测试指南：让计算机视觉任务变得简单
CDBmax的博客
12-22 1万+
python3+、Anaconda3或Miniconda3 Ultralytics提供了多种安装方法，包括pip、conda和Docker。通过pip包安装最新稳定版的YOLOv8，或者克隆Ultralytics GitHub仓库以获取最新版本。Docker可用于在隔离容器中执行包，避免本地安装。 最简单直接的方式就是直接使用pip方法直接安装。 也可以直接从GitHub仓库安装包。如果你想要最新的开发版本，这可能会很有用。确保你的系统上安装了Git命令行工具
在树莓派4B上部署ONNX格式的YOLOv8-Pose
最新发布
liujinghua16的博客
11-15 922
最近在将yolov8 pose模型部署到芯片架构为ARM64的树莓派上时，发现在同一张图片上进行推理，如果使用Pytorch格式的模型在100次测试后得到平均每次耗时1175毫秒，而如果使用ONNX格式的相同模型在100次测试后得到的平均每次耗时则为574毫秒。在主要人体目标和关节点识别效果几乎相同的情况下，两者之间的推理耗时，ONNX格式的模型推理在速度上具有明显的提升。在ONNX官方文档中介绍到，ONNX可以被看作一种专门的用于描述数学函数的编程语言，定义了机器学习模型在推理过程中所需要的所有操作。
基于树莓派4B的YOLOv5-Lite目标检测的资源包
06-27
基于树莓派4B的YOLOv5-Lite目标检测的移植与部署的资源包，搭配本人树莓派4B的镜像版本使用效果更佳！（积分不够的朋友点波关注，无偿提供）
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
在树莓派上部署yolov8模型
zhou_18772780431的博客
09-07 2327
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。
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。
NCNN 树莓派部署U版yolov8
Meoyou的博客
07-04 1912
使用ncnn框架在树莓派4B及本地windows上测试了官方yolov8n模型
YOLOv11-Tiny：面向边缘设备的轻量级设计-（设计极简版YOLOv11，适配树莓派等低算力设备）
本博客聚焦 YOLOv11 全流程落地，涵盖架构优化、数据集处理、训练技巧与多场景部署，兼及国产数据库、Java 开发与 AI 模型应用，内容兼顾理论与工程实践，为开发者提供系统干货，助力高效提升技术能力。
08-23 5162
本文深入解析了YOLOv11-Tiny轻量级目标检测模型的架构设计与应用实践。首先阐述了其设计哲学：通过精简网络结构、优化计算效率和内存占用，在边缘设备上实现速度与精度的平衡。接着详细剖析了模型的三大部分：采用深度可分离卷积的轻量Backbone、简化特征融合的Neck结构，以及优化后的检测Head。文章特别强调了该模型针对资源受限场景（如树莓派、无人机等）的适配性，通过对比不同YOLO版本的性能定位，展示了YOLOv11-Tiny在实时性要求高且精度需求适中的应用优势。最后提供了从理论到部署的完整指南，帮
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。
动物目标检测——基于YOLOv5和树莓派4B平台
shiwei0813的博客
09-12 1272
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。
树莓派NCNN开发·yolov8
烂笔头·张的博客
10-11 1349
基于ncnn的yolov8开发实战，可用于移动端、嵌入式端植入
树莓派5部署yolov8
qq_73708922的博客
03-30 1790
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。
【树莓派-yolov5/yolov8部署篇】
nobug_girl的博客
12-22 9693
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
04-14 912
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.
目标检测实施与部署（YOLOv8+树莓派）
weixin_52280209的博客
11-25 3155
通过以上步骤，你可以将训练和部署过程分开，更好地管理和优化每个阶段，实现一个基于树莓派的目标检测系统。希望这个大纲对你有所帮助！使用LabelImg对图像进行标注，保存为XML格式的标签文件。将图像和对应的标签文件组织成训练集和验证集。创建YOLOv8的配置文件。
树莓派5安装YOLOv8使用jupyterlab运行示例
weixin_41589183的博客
12-18 3800
YOLOv8，这是备受好评的实时目标检测和图像分割模型的最新版本。YOLOv8基于深度学习和计算机视觉的前沿进展，提供了无与伦比的速度和准确性表现。它的精简设计使其适用于各种应用，并且可以轻松适应不同的硬件平台，从边缘设备到云API。我们使用树莓派5来探索YOLOv8，看一看她在机器学习上的潜力。JupyterLab是Jupyter Notebook的全面升级。事实上，JupyterLab 是一个集 Jupyter Notebook、文本编辑器、终端以及各种个性化组件于一体的全能IDE。
raspberry pi 5b部署yolov8 b
03-17
<think>好的，用户想在树莓派5B上部署YOLOv8模型。我之前处理过类似的问题，尤其是YOLOv5和v8的部署，所以需要结合之前的经验和引用内容来回答。 首先，用户提供的引用内容里有关于树莓派5B部署YOLOv8n模型的不同方式的速度对比，以及模型转换的步骤。还有云端GPU训练和PT转ONNX的参考资料。另外，还有树莓派环境搭建的步骤。这些都是关键点。 我需要整理步骤：环境准备、模型转换、部署方式选择、测试优化。环境准备部分，根据引用[4]，可能需要安装必要的库，比如PyTorch、OpenCV等。然后模型转换，引用[1]和[2]提到将.pt转成ONNX，可能需要安装ultralytics库。然后部署方式有四种，比如使用ONNX Runtime、TensorRT、NCNN、OpenCV DNN。这里需要具体说明每种方式的优缺点，比如ONNX Runtime适合跨平台，TensorRT加速明显但可能复杂，NCNN轻量适合移动端，OpenCV方便但速度一般。 测试部分，要提醒用户用视频或摄像头测试速度，引用[1]提到检测速度对比，所以可能需要推荐使用ONNX Runtime或TensorRT。另外，注意事项里，模型简化、输入尺寸调整、线程优化都是关键点，参考引用里的内容，比如anchor调整可能来自引用[3]，但用户问题主要是部署，可能不需要深入anchor设置。 还要考虑用户可能的后续问题，比如性能优化方法，如何转换模型到其他格式，或者如何选择适合的部署框架。需要生成相关问题，帮助用户深入。 最后确保回答结构清晰，步骤正确，引用标记正确。可能还要检查是否遗漏了树莓派5B的特殊配置，比如是否需要额外驱动或优化库。引用[4]提到树莓派环境搭建，可能包括安装依赖项，所以在环境准备步骤需要详细说明。</think>### 在树莓派5B上部署YOLOv8模型的步骤 #### 1. 环境准备 - **安装系统依赖**：确保树莓派5B系统已更新，并安装必要的工具： ```bash sudo apt update && sudo apt upgrade -y sudo apt install python3-pip libopenblas-dev libatlas-base-dev -y ``` - **配置Python环境**：建议使用虚拟环境（如`venv`）隔离依赖： ```bash python3 -m venv yolov8-env source yolov8-env/bin/activate ``` - **安装基础库**：参考树莓派YOLOv5环境搭建经验[^4]，安装PyTorch、OpenCV等： ```bash pip3 install torch torchvision --extra-index-url https://download.pytorch.org/whl/rocm5.4.2 pip3 install opencv-python-headless numpy tqdm ``` #### 2. 模型转换（PT → ONNX） YOLOv8官方模型格式为`.pt`，需转换为树莓派支持的格式（如ONNX）： ```bash from ultralytics import YOLO model = YOLO("yolov8n.pt") # 加载预训练模型 model.export(format="onnx") # 导出为ONNX格式 ``` > 注：若本地无GPU，可参考云端GPU训练方法加速转换[^2]。 #### 3. 部署方式选择 根据树莓派5B的性能需求，推荐以下四种部署方式[^1]： 1. **ONNX Runtime**（轻量级推理）： ```bash pip3 install onnxruntime ``` ```python import onnxruntime as ort session = ort.InferenceSession("yolov8n.onnx") ``` 2. **TensorRT加速**（需安装TensorRT库）： ```bash sudo apt install tensorrt ``` 3. **NCNN框架**（适合ARM架构优化）： ```bash git clone https://github.com/Tencent/ncnn cd ncnn && mkdir build && cd build cmake -DCMAKE_TOOLCHAIN_FILE=../toolchains/pi5.toolchain.cmake .. make -j4 ``` 4. **OpenCV DNN模块**（无需额外依赖）： ```python import cv2 net = cv2.dnn.readNetFromONNX("yolov8n.onnx") ``` #### 4. 测试与优化 - **视频检测示例**（以ONNX Runtime为例）： ```python import cv2 import onnxruntime as ort cap = cv2.VideoCapture(0) # 调用摄像头 session = ort.InferenceSession("yolov8n.onnx") while True: ret, frame = cap.read() input_tensor = preprocess(frame) # 预处理（缩放、归一化等） outputs = session.run(None, {"images": input_tensor}) results = postprocess(outputs) # 后处理（解码框、NMS等） draw_boxes(frame, results) cv2.imshow("YOLOv8", frame) if cv2.waitKey(1) == 27: # 按ESC退出 break ``` - **性能优化技巧**： - 将输入分辨率从$640 \times 640$降低至$320 \times 320$以提升帧率[^1]。 - 使用多线程预处理（如OpenMP）或量化模型（FP16/INT8）。 #### 注意事项 - 树莓派5B的CPU性能有限，建议使用简化版模型（如YOLOv8n或YOLOv8s）。 - 若需调整模型参数（如Anchor），需同步修改部署代码中的后处理逻辑[^3]。
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