树莓派3B上测试YOLO效果

最新推荐文章于 2025-06-26 21:19:37 发布
原创 最新推荐文章于 2025-06-26 21:19:37 发布 · 1.2w 阅读 · 32 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO-树莓派

本文介绍了如何在树莓派上安装并运行YOLO目标检测系统的过程，包括下载镜像文件、格式化TF卡、安装YOLO及测试其运行效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

安装系统

下载raspbian-stretch镜像：https://www.raspberrypi.org/downloads/raspbian/
下载SDFormatterv4：https://www.sdcard.org/downloads/formatter_4/
下载Win32DiskImager：https://sourceforge.net/projects/win32diskimager/
准备一张大于8GB的TF卡，使用SDFormatterv4格式化TF卡
用Win32DiskImager将ubuntu-mate镜像写入TF中
2017-8-16镜像：2017-08-16-raspbian-stretch.img

安装YOLO

参照YOLO官网（https://pjreddie.com/darknet/yolo/）介绍，下载、编译（CPU版）、运行：

$ git clone https://github.com/pjreddie/darknet
$ cd darknet
$ make
$ wget https://pjreddie.com/media/files/tiny-yolo-voc.weights
$ ./darknet detector test cfg/voc.data cfg/tiny-yolo-voc.cfg tiny-yolo-voc.weights data/dog.jpg

测试效果

执行结果如下：
这里写图片描述

这里写图片描述

检测结果不错，但是运行耗时近40秒，还是有待提高。

【树莓派3b+和 intel movidius 神经元计算棒2代 系列 之三】 将darknet转的bin和xml文件在树莓派上测试yolo v3和yolo v3 tiny
c20081052的专栏
05-10 3143
相关系列文章： 树莓派3B+安装系统（Raspbian 9）以及环境配置 【树莓派3b+和 intel movidius 神经元计算棒2代 系列 之一】 安装与部署神经计算棒NCS2 【树莓派3b+和 intel movidius 神经元计算棒2代 系列 之二】 darknet的weights模型转为计算棒所需的IR模型 本篇文章是在完成第二步中 转换得到的 计算棒支持的bin,...
树莓派3b+和 intel movidius 神经元计算棒2代 跑yolo v3 tiny
c20081052的专栏
05-08 6163
本帖子主要是参考了以下两篇： 第一篇： 从零开始搭建树莓派 + intel movidius 神经元计算棒2代深度学习环境 这篇文章主要目录如下： 摘要 材料硬件： 步骤： 1、 下载树莓派镜像并解压 2、 烧写镜像 3、 启动树莓派 4、 配置树莓派 5、 安装cmake 6、 下载OpenVINO toolkit for Raspbian安装包： 7...
树莓派部署 YOLOv5
qq_58202560的博客
05-01 155
使用apt install python3-opencv。树莓派开启VNC服务，查询树莓派地址。设置各种配置，美式键盘。
【树莓派】利用socket改善树莓派3B运行YOLO运算力不够
祖国花朵的博文
09-19 572
目标是树莓派作为客户端只负责捕捉画面，PC端运行yolo识别。
opencv计算机视觉基础教程
andyyah晓波的博客
06-22 774
OpenCV主要功能及模块介绍 功能 模块 描述 内置数据结构和输入/输出 core 提供基本数据结构，如Image、Point、Rectangle等，支持图像文件的读写。
树莓派3B+安装系统使用YOLOv5
scl6666的博客
06-15 1358
树莓派3B+安装系统配置YOLOv5
在树莓派3B部署Yolov7(亲测有效)
weixin_54347244的博客
11-04 1180
无
在树莓派3B+ 上使用YOLO v3 Tiny进行实时对象检测
PUZZER的博客
07-06 6085
主要参考文章：http://funofdiy.blogspot.com/2018/08/deep-learning-with-raspberry-pi-real.html（需要vpn） https://blog.youkuaiyun.com/weixin_43878078/article/details/103893426 https://github.com/zxzhaixiang/darknet-nnpack/tree/yolov3 说明1：原版的yolo V3 完整版本是无法在树莓派上运行的，直接编译会报错如.
在树莓派上使用YOLO11推理
mx9818的博客
06-26 1321
摘要：Raspberry Pi因其低成本、紧凑性和多功能性，成为计算机视觉项目的理想平台。本文介绍了在Raspberry Pi上安装Ultralytics YOLO模型的两种方法（Docker和非Docker），推荐使用YOLO11n/s等轻量模型。重点讲解了如何将模型转换为NCNN格式提升推理性能，以及通过Picamera2或TCP流实现摄像头实时推理的方案。最佳实践包括使用SSD替代SD卡、选择无图形界面系统、合理超频等优化措施，充分发挥Raspberry Pi在边缘计算中的潜力。（150字）
yolo树莓派_树莓派4B安装YOLO
weixin_39543773的博客
12-20 1503
准备安装OpenCV。sudo apt-get install python-opencv如果没有pip：sudo apt-get install python-pip启用pi相机:sudo raspi-config转到 Interfacing Options，然后启用 Pi/Camera,重启生效。安装Ninja Building tool安装 PeachPy 和 confusudo pip i...
mac os/树莓派4/树莓派3安装Yolov4
weixin_43087913的博客
10-16 1409
选择安装目录，进入 git clone https://github.com/AlexeyAB/darknet.git 根据系统实际情况进行配置，如果需要使用GPU进行加速，则在Makefile文件中修改前四行 GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1 随后使用make或者是make -j8重新编译。生成darknet文件，直接使用./darknet 显示如下结果： usage: ./darknet 下载之后将yolov4.weights放在YOLOv4的主目录下即可进行测.
树莓派部署yolov5
m0_73862068的博客
11-23 2298
在这篇博客中，我们详细介绍了如何在树莓派上部署 YOLOv5。安装操作系统。配置环境。下载 YOLOv5 的源代码。转换模型格式为 .onnx。使用 Python 程序加载模型并进行推理。部署 YOLOv5 在树莓派上可以帮助您实现实时目标检测，并将其应用于各种项目和应用中。希望这篇博客对您有所帮助，并能引导您成功地在树莓派上部署 YOLOv5。如果您在实践过程中遇到任何问题，欢迎在评论区留言，我将尽力提供帮助。祝您在树莓派上的 YOLOv5 部署顺利，并取得令人满意的结果！
Raspberry Pi 4B 部署 YOLOX
꧁༺ʚvv༒catɞ༻꧂的博客
09-07 2560
环境 Python：3.7.3 YOLOX：0.1.1rc0 torch：1.8.0 torchvision：0.9.0 OpenVINO：2021.4.582 g++ (Raspbian 8.3.0-6+rpi1) 8.3.0 raspberrypi：5.10.52-v7l+ 系统指令集：armv7l numpy：1.20.3 组件 Raspberry Pi 4B 8G NCS2 pi@raspberrypi:~/Desktop/YOLOX-main $ uname -a Linux raspb
小白也能学会的从零开始的树莓派yolov5目标检测（一）—— 数据采集与模型训练
Voladrose的博客
07-19 3260
断断续续花了两天的时间，从对树莓派和yolo一窍不通到实现了使用树莓派进行目标检测。其间大麻烦没有、小问题不断，遂决定将这一过程分享出来。在本文中我不会介绍原理，而是更注重实现的过程。我将会分章节将这一过程讲完，包括数据的采集、模型的训练、如何部署到树莓派上等等。在本章节中，将会介绍如何在windows系统上准备数据集、训练模型、测试模型效果等过程。
树莓派部署YOLOv5实时检测
zi_Fei_yang的博客
03-13 1070
​🚀 整个过程采用远程的方式，记录树莓派部署YOLOv5s的过程。
十、W5100S/W5500+RP2040树莓派Pico＜PING（ICMP）检测网络连通性＞
WIZnet 中国社区官方博客
11-06 423
随着网络应用的日益丰富和普及，网络PING的应用场景也将不断扩大。例如，网络安全领域的 发展对网络PING的需求将不断增加，通过网络安全领域的不断扩展和发展，网络PING将会获得更多的机会和挑战。同时，随着物联网的普及，网络PING也将更多的应用到物联网设备的远程管理和监控中。W5100S/W5500是一款集成全硬件 TCP/IP 协议栈的嵌入式以太网控制器，同时也是一颗工业级以太网控制芯片。
树莓派WIFI信号强度测试
程为
12-15 1489
一般信号强度在-30dbm到-120dbm之间。DBm是表示功率绝对值的值，1mw为0dbm，公式为dbm=10lg(毫瓦数/1)。因此，它是消极的。这个数值越大，代表衰减的少，信号也越好。例如：-70dbm信号比-90dbm信号好。
树莓派4b4g配置yolo环境
最新发布
07-20
<think>我们正在配置YOLO环境在树莓派4B 4GB上。根据引用[1]和[2]，我们知道树莓派的具体型号很重要，并且之前有在树莓派和Movidius NCS上运行YOLO的经验（虽然速度较慢）。由于树莓派资源有限，我们通常使用轻量级模型如Tiny-YOLO。 步骤： 1. 系统准备：安装Raspberry Pi OS（推荐64位，因为32位有内存限制，但注意64位可能对某些库支持不够，不过YOLOv8要求Python>=3.7，64位系统更好） 2. 更新系统： sudo apt update && sudo apt upgrade -y 3. 安装必要的依赖： sudo apt install -y python3-pip python3-dev libatlas-base-dev libopenblas-dev libblas-dev libhdf5-dev 4. 由于树莓派内存有限，我们使用轻量级的YOLO版本，比如YOLOv5s、YOLOv8n或者Tiny-YOLO。这里以YOLOv8为例，因为Ultralytics提供了简单的API。 注意：树莓派上直接运行YOLOv8可能非常慢，所以我们可以考虑使用OpenVINO或者ONNX Runtime来加速，但这里我们先安装基础版本。 5. 安装ultralytics（YOLOv8）： pip3 install ultralytics 但是，由于树莓派是ARM架构，安装过程中可能会遇到一些包无法编译的问题，因此我们可以预先安装一些包： sudo apt install -y python3-numpy python3-scipy python3-matplotlib python3-opencv 6. 安装PyTorch：树莓派上安装PyTorch需要特定的版本。我们可以从PyTorch官网下载预编译的ARM版本，或者使用piwheels。目前PyTorch 1.7.0有预编译版本： pip3 install torch==1.7.0 torchvision==0.8.0 但是，请注意，最新版本的PyTorch可能已经支持树莓派，但需要确认。我们可以使用以下命令安装（如果piwheels有提供）： pip3 install torch torchvision 7. 测试YOLOv8：运行一个简单的检测，使用最小的模型（yolov8n） from ultralytics import YOLO model = YOLO(&#39;yolov8n.pt&#39;) results = model.predict(&#39;path/to/image.jpg&#39;) 8. 性能优化：由于树莓派性能有限，我们可以考虑以下优化： - 使用OpenVINO：将模型转换为OpenVINO格式，然后使用OpenVINO推理引擎运行。 - 使用ONNX Runtime：将模型转换为ONNX格式，然后使用ONNX Runtime运行（可能比原生PyTorch快）。 - 使用TensorRT：但树莓派上不支持。 - 使用Movidius神经计算棒（NCS2）：通过OpenVINO使用NCS2加速。 9. 使用OpenVINO加速： 步骤： a. 在树莓派上安装OpenVINO Toolkit（注意：OpenVINO 2021以后版本支持树莓派）。 参考：https://docs.openvino.ai/latest/openvino_docs_install_guides_installing_openvino_raspbian.html b. 将YOLOv8模型导出为OpenVINO格式： model.export(format=&#39;openvino&#39;) # 这会生成一个xml和bin文件 c. 使用OpenVINO的Python API加载模型并推理。 10. 注意：树莓派4B的性能有限，即使使用NCS2，根据引用[2]的数据，之前使用Tiny-YOLO在树莓派3B+和NCS上达到了4.28FPS。因此，在树莓派4B上，使用NCS2可能会获得更好的性能（大约5-10FPS，取决于模型）。 11. 另外，也可以尝试TensorFlow Lite，因为YOLO也有TensorFlow Lite的版本。但Ultralytics YOLOv8目前主要支持PyTorch、ONNX等。 12. 如果使用NCS2，需要安装Movidius的驱动和OpenVINO。注意NCS2需要USB3.0接口（树莓派4B有USB3.0）。 由于步骤较多，我们分步进行。 首先，我们尝试在树莓派上安装YOLOv8并运行，如果速度太慢，再考虑使用OpenVINO和NCS2。 详细步骤： 一、系统准备 - 下载Raspberry Pi OS（64位）并烧录到SD卡。 - 启动树莓派，完成基本设置（联网、更新等）。 二、安装基础依赖 sudo apt update sudo apt upgrade -y sudo apt install -y python3-pip python3-dev libatlas-base-dev libopenblas-dev libblas-dev libhdf5-dev 三、安装PyTorch（从piwheels安装，这样会自动选择ARM架构的预编译包） pip3 install torch torchvision 四、安装ultralytics pip3 install ultralytics 五、测试YOLOv8n（不加速） 编写一个Python脚本test.py： from ultralytics import YOLO model = YOLO(&#39;yolov8n.pt&#39;) results = model.predict(&#39;bus.jpg&#39;, save=True) # 确保当前目录有bus.jpg，或者使用其他图片 运行：python3 test.py 六、如果速度太慢（预计在树莓派4B上，yolov8n的推理速度大约0.5-1 FPS），我们尝试使用OpenVINO加速。 七、安装OpenVINO（2022版本之后支持树莓派）： 参考官方文档：https://docs.openvino.ai/latest/openvino_docs_install_guides_installing_openvino_raspbian.html 步骤： 1. 添加仓库： echo "deb https://packages.openvinotoolkit.org/raspbian/ `lsb_release -cs` main" | sudo tee /etc/apt/sources.list.d/openvino.list 2. 添加GPG密钥： wget https://packages.openvinotoolkit.org/raspbian/apt-public-key.gpg sudo apt-key add apt-public-key.gpg rm apt-public-key.gpg 3. 安装： sudo apt update sudo apt install openvino 注意：如果上述步骤失败，也可以下载离线包安装，或者使用pip安装openvino-dev（但树莓派上可能不行，因为官方提供了APT源）。 八、导出OpenVINO模型： 在树莓派上运行： from ultralytics import YOLO model = YOLO(&#39;yolov8n.pt&#39;) model.export(format=&#39;openvino&#39;) # 导出到当前目录，生成yolov8n_openvino_model目录 九、使用OpenVINO推理： 编写一个使用OpenVINO推理的脚本。注意：ultralytics的YOLO类可以直接加载导出的OpenVINO模型，但需要指定文件路径。 model = YOLO(&#39;yolov8n_openvino_model/&#39;) # 加载导出的OpenVINO模型 results = model.predict(&#39;bus.jpg&#39;) 十、如果使用神经计算棒（NCS2），需要先插入NCS2，然后设置OpenVINO使用MYRIAD设备： model = YOLO(&#39;yolov8n_openvino_model/&#39;, device=&#39;MYRIAD&#39;) # 然后进行预测 十一、测试性能：使用OpenVINO和NCS2后，性能应该有所提升。 注意：由于树莓派内存只有4GB，运行大型模型可能会出现内存不足。因此，务必使用轻量级模型（如yolov8n, yolov8s等）。 十二、如果遇到问题，可以参考引用[2]中的文章，虽然它是关于老版本YOLO的，但使用NCS加速的思路相同。 以上步骤是一个基本指南，实际过程中可能会遇到各种问题，需要根据错误信息进行解决。 相关问题： 1. 在树莓派4B上运行YOLOv8n的预期速度是多少？ 2. 如何将YOLOv8模型转换为OpenVINO格式？ 3. 如何用Movidius神经计算棒加速YOLOv8？ 4. 树莓派4B上运行YOLO模型有哪些优化方法？</think>### 在 Raspberry Pi 4B 4GB 上配置 YOLO 环境指南 #### 一、系统准备 1. **安装64位系统** 推荐 Raspberry Pi OS Lite (64位) 以最大化内存利用率： ```bash sudo apt update && sudo apt full-upgrade -y sudo reboot ``` 2. **安装必要依赖** ```bash sudo apt install -y python3-pip libopenblas-dev libatlas-base-dev libhdf5-dev ``` #### 二、Python环境配置 1. **创建虚拟环境** ```bash python3 -m venv yolov8_env source yolov8_env/bin/activate ``` 2. **安装PyTorch** 使用ARM兼容版本： ```bash pip3 install torch==1.10.0 torchvision==0.11.0 --extra-index-url https://download.pytorch.org/whl/cpu ``` 3. **安装YOLOv8** ```bash pip3 install ultralytics opencv-python-headless ``` #### 三、模型部署优化 1. **使用轻量模型** 推荐YOLOv8n或YOLOv8s： ```python from ultralytics import YOLO model = YOLO(&#39;yolov8n.pt&#39;) # 纳米级模型 ``` 2. **OpenVINO加速** 转换模型格式： ```python model.export(format=&#39;openvino&#39;) # 生成XML/BIN文件 ``` 推理时使用： ```python results = model.predict(&#39;image.jpg&#39;, device=&#39;cpu&#39;) # 显式指定CPU ``` #### 四、性能优化技巧 1. **输入分辨率调整** ```python results = model.predict(&#39;image.jpg&#39;, imgsz=320) # 降低分辨率 ``` 2. **硬件加速配置** ```bash echo "export OPENBLAS_CORETYPE=ARMV8" >> ~/.bashrc source ~/.bashrc ``` 3. **温度监控** ```bash vcgencmd measure_temp # 实时监控温度 ``` #### 五、验证安装 创建测试脚本 `test_yolo.py`： ```python from ultralytics import YOLO import cv2 model = YOLO(&#39;yolov8n.pt&#39;) results = model.predict(&#39;test_image.jpg&#39;, save=True) print(f"推理结果保存至: {results[0].save_dir}") ``` 运行： ```bash python test_yolo.py ``` #### 六、预期性能 根据硬件限制，参考数据： | 模型 | 分辨率 | FPS (无加速) | FPS (OpenVINO) | |------------|--------|--------------|----------------| | YOLOv8n | 320x320| 0.8-1.2 | 1.5-2.0 | | YOLOv8s | 640x640| 0.3-0.5 | 0.7-1.0 | > 注：实际性能受环境温度影响，持续推理需加散热装置[^1][^2]。
评论 15
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
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