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

已于 2025-07-08 01:00:52 修改
阅读量742 收藏 2
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 文章标签： 人工智能 目标检测 YOLO
于 2024-11-16 15:10:14 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/143725402

文件大纲

加速原理

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

Hailo 发布的 Raspberry Pi AI kit 加速原理，有几篇文章介绍的不错

  • https://ubuntu.com/blog/hackers-guide-to-the-raspberry-pi-ai-kit-on-ubuntu

硬件安装

硬件要求：

  • Hailo-8 device
  • HailoRT PCIe driver installed
  • At least 6GB’s of free disk space

建议把 下面的装上

  • 官方散热风扇

了解本专栏 订阅专栏 解锁全文 超级会员免费看
基于树莓派和Python的无人机视觉跟踪系统——实现目标跟踪
IiTraining的博客
09-20 1758
无人机的广泛应用使得无人机视觉跟踪系统变得越来越重要。本文将介绍如何使用树莓派和Python构建一个简单的无人机视觉跟踪系统，实现对目标物体的实时跟踪。
深度学习应用工程化中的节能减排最佳实践
shiter编写程序的艺术
01-03 335
一、制造业的能耗与排放现状制造业作为经济的支柱产业，对资源的消耗和环境的污染影响巨大。传统制造业以高能耗、高排放为特点，给环境带来了严重影响。随着全球气候变暖问题日益严重，节能减排技术在各个产业领域中的应用变得愈发重要。制造业在能源消耗和碳排放方面占据重要地位，因此推动制造业实施节能减排技术已经成为当前发展的必然选择。中国制造业的能源消耗量占全国总能耗的比重超过60%。其中，钢铁、有色金属、化工等行业的能耗尤为突出。碳排放量高：制造业也是碳排放的主要来源之一。
从零开始的Hailo-8配置教程
最新发布
keyanjun_AI的博客
06-01 895
1、简介2、环境搭建3、测试4、其他问题记录树莓派5是树莓派基金会推出的最新一代单板计算机（SBC），延续了系列“低成本、高性能”的设计理念。它基于ARM架构，适用于编程教育、物联网开发、智能家居控制、媒体中心搭建及工业自动化等场景，尤其适合需要一定计算能力且预算有限的项目。Hailo-8是由以色列Hailo公司开发的AI加速模块，专为边缘计算场景设计。它通过PCIe/M.2接口与主控板（如树莓派5、NVIDIA Jetson）连接，提供高性能、低功耗的深度学习推理能力。
树莓派目标跟踪代码python
07-31
树莓派目标跟踪代码，加油，预祝学业有成，哦哦哦哦哦
树莓派小车实现目标追踪（coco数据集，gluoncv，树莓派和PC信息交互）
ereqewe的博客
09-13 3155
树莓派3b+麦克纳姆轮usb摄像头：640*480树莓派小车追踪目标
树莓派小车物体追踪
12-04
本文讲述如何利用opencv和python实现树莓派小车物体追踪的目标。包含告诉大家如何安装opencv3.0和如何利用它实现我的小车避障以及对应的python程序
Raspberry Pi 使用 Halio 实现 13Top/s AI 加速
STONE的博客
07-10 807
Raspberry Pi 5 现在可以选择用于神经网络、人工智能和机器学习的 AI 协处理器。
树莓派实时目标检测
pandachu的博客
09-29 590
树莓派使用 参见【嵌入式】树莓派3b+安装teamviewer教程_cungudafa的博客-优快云博客_树莓派安装teamviewer
ArgumentParser
weixin_36670529的博客
05-27 752
class argparse.ArgumentParser(prog=None, usage=None, description=None, epilog=None, parents=[], formatter_class=argparse.HelpFormatter, prefix_chars='-', fromfile_prefix_chars=None, argument_default=...
【免费下载】树莓派实时物体检测与追踪——开启你的智能监控新时代！
gitblog_00041的博客
06-15 875
标题：树莓派实时物体检测与追踪——开启你的智能监控新时代！ 在当今的物联网世界中，一款强大的低功耗计算机视觉解决方案至关重要。今天，我们有幸向您推荐一个令人惊叹的开源项目——Raspberry Pi Real-Time Object Detection and Tracking，它利用树莓派和OpenCV实现了一套高效的实时物体识别与跟踪系统。 1. 项目介绍 这个项目旨在提供一个基于Raspb...
识别并跟踪红灯，硬件利用树莓派实现
08-13
识别并跟踪红灯，硬件利用树莓派实现。python、opencv实现软件功能。其中有高效扫描方法对比，场景：‘我要识别一个红灯，已经把目标准确的提取出来了，二值图像中白色为目标物，现在要算出二值图中的白色像素点的坐标。因为之后需要移植到树莓派，所以需要高效的方法’。 https://blog.youkuaiyun.com/qq_32768679/article/details/84398229（目标识别说明） https://blog.youkuaiyun.com/qq_32768679/article/details/84317173（小工具说明）
树莓派控制小车追踪物体原理和源码
12-08
树莓派控制小车追踪物体原理和源码，Python+Opencv实现，不错的小项目。入门ai的资源，识别、追踪和控制。
树莓派应用--AI项目实战篇来啦-12.OpenCV摄像头云台物体追踪
weixin_44845743的博客
10-10 2773
常见的闭环控制算法是所谓的PID及比例-积分-微分控制器。PID通常用于自动化，使得机械装置可以快速且准确地达到最佳值（由反馈传感器读取）。它们用于制造，自动化过程控制，机器人等。PID 控制器计算误差项（所需设定点和传感器读数之间的差值）并且具有补偿误差的目标。PID 计算输出一个值，该值用作“过程”的输入（机电过程，而不是计算机科学/软件工程师类型认为的“计算机过程”）。传感器输出称为“过程变量”，并作为等式的输入。在整个反馈回路中，捕获定时并将其输入到等式中。
有没有一个命令将多张jpg合成一个tif_一个基于树莓派的边缘视频AI Demo案例
weixin_39897127的博客
11-20 206
由一个实际问题引发的思考渣土车在城市运输过程中，存在抛洒滴漏的情况，对城市环境造成很大污染。如下图所示，滴漏的渣土会导致飞尘影响空气质量，还需要环卫工人上路清扫。有些严重的渣土抛洒滴漏问题，还会产生交通安全事故。南京出现了首例因渣土抛洒导致交通事故，货车司机被公诉的案例(http://news.jstv.com/a/20171114/1510664243313.shtml)。渣土抛洒是城...
如何使用树莓派 Pico 制作一个目标追踪机器人车
import_2333的博客
04-07 105
本项目是使用树莓派 Pico 和 L298N 电机驱动器构建的目标追踪机器人车，结合了机械轮，可以敏捷和多方向的移动。设计中集成了超声波传感器，可以进行精确的距离测量和 IR 传感器进行准确的路径检测，看看是不是作为科技爱好者的你，理想中的 DIY 机器人项目。
基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程）
热门推荐
black_sneak的博客
06-27 6万+
基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程），手把手教学级别，博客全篇代码开源！！！
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 4270
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。
树莓派5 yolov11 ncnn部署记录
qq_67430663的博客
12-09 1209
【代码】树莓派5 yolov11 ncnn部署记录。
树莓派5 hailo8 部署yolov8s
01-25
### 安装配置Hailo-8硬件加速器以部署YOLOv8s #### 准备工作 为了确保能够在树莓派5上成功安装并配置Hailo-8硬件加速器，需要先确认设备已经具备必要的环境条件。这包括但不限于操作系统版本、Python解释器以及相关依赖库的准备。 #### 环境搭建 建议的操作系统为Raspberry Pi OS (64-bit)，因为该平台提供了更好的性能支持和更广泛的软件兼容性[^1]。对于编程语言的选择，推荐使用Python 3.x系列作为主要开发工具，并通过pip管理所需的第三方包。 #### Hailo驱动程序安装 访问官方文档获取最新的Linux发行版下的Hailo SDK安装指南，按照指示完成驱动程序的下载与设置过程。此步骤至关重要，它决定了后续能否顺利加载模型文件到Hailo芯片中执行推理操作。 #### YOLOv8s模型移植 考虑到原始YOLO架构可能并不完全适用于嵌入式环境中高效运行的要求，在实际应用前通常还需要对预训练好的权重参数做适当调整优化。具体做法可以参照社区分享的经验案例来进行针对性修改。 #### 测试验证 当一切准备工作就绪之后，可以通过编写简单的测试脚本来检验整个系统的功能是否正常运作。下面给出了一段用于调用摄像头捕捉图像并通过已部署的YOLOv8s模型实现物体识别的基础代码示例： ```python from hailo_platform import HEF, VDevice, InferVStreamsParams, InputVStreamInfo, OutputVStreamInfo import cv2 import numpy as np def preprocess_image(image_path): img = cv2.imread(image_path) resized_img = cv2.resize(img, (640, 640)) normalized_img = resized_img / 255.0 transposed_img = np.transpose(normalized_img, axes=[2, 0, 1]) batched_img = np.expand_dims(transposed_img, axis=0).astype(np.float32) return batched_img hef = HEF('path_to_your.hef') with VDevice() as device: infer_params = InferVStreamsParams( input_vstreams_info=(InputVStreamInfo(name='input_tensor'),), output_vstreams_info=tuple(OutputVStreamInfo(name=name) for name in hef.get_output_names()) ) with device.infer(hef, infer_params=infer_params) as infer_pipeline: image_data = preprocess_image('/path/to/image.jpg') # 替换为自己的图片路径 results = infer_pipeline.infer({'input_tensor': image_data}) # 处理返回的结果... ```
评论
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