Bemerkung

Hallo, willkommen in der SunFounder Raspberry Pi & Arduino & ESP32 Enthusiasten-Community auf Facebook! Tauchen Sie mit anderen Enthusiasten tiefer in Raspberry Pi, Arduino und ESP32 ein.

Warum beitreten?

Expertenunterstützung: Lösen Sie Probleme nach dem Kauf und technische Herausforderungen mit Hilfe unserer Community und unseres Teams.
Lernen & Teilen: Tauschen Sie Tipps und Tutorials aus, um Ihre Fähigkeiten zu verbessern.
Exklusive Vorschauen: Erhalten Sie frühzeitigen Zugang zu neuen Produktankündigungen und Sneak Peeks.
Sonderrabatte: Genießen Sie exklusive Rabatte auf unsere neuesten Produkte.
Festliche Aktionen und Gewinnspiele: Nehmen Sie an Gewinnspielen und Feiertagsaktionen teil.

👉 Bereit, mit uns zu entdecken und zu gestalten? Klicken Sie auf [here] und treten Sie noch heute bei!

1. YOLO auf dem Raspberry Pi ausführen

YOLO (You Only Look Once) ist ein revolutionärer Objekterkennungsalgorithmus, der sich durch seine Geschwindigkeit und Genauigkeit auszeichnet. Er transformiert die Objekterkennung in ein Regressionsproblem, bei dem alle Objektkategorien und -positionen in einem Bild durch einen einzigen Durchlauf eines neuronalen Netzes vorhergesagt werden.

Stellen Sie sich ein Bildverarbeitungssystem vor, das „alles auf einen Blick erfasst“. Ob in der Videoüberwachung, im autonomen Fahren oder bei der industriellen Qualitätskontrolle – überall dort, wo Echtzeit-Objekterkennung benötigt wird, ist YOLO im Einsatz.

Abbildung: YOLOv8n in Echtzeit auf dem Raspberry Pi. Objekte im Kamerabild werden präzise erkannt und annotiert, wobei die erkannten Klassen und Konfidenzwerte auf der linken Seite angezeigt werden. Dieses Bild zeigt, wie das Modell erfolgreich Objekte wie eine Person, einen Stuhl und einen Fernseher identifiziert.

Kernprinzipien

Im Gegensatz zu älteren zweistufigen Methoden (wie R-CNN), die „zuerst Kandidatenregionen finden und diese dann identifizieren“, verfolgt YOLO einen grundlegend anderen Ansatz:

Einheitliches Framework: Unterteilt das Bild in ein Raster (z. B. das ursprüngliche 7x7-Raster).
Rasterbasierte Vorhersage: Jede Rasterzelle ist für die Vorhersage von Objekten verantwortlich, deren Mittelpunkt in diese Zelle fällt. Jede Zelle sagt mehrere Begrenzungsrahmen (einschließlich Position und Größe) zusammen mit ihren Konfidenzwerten voraus und sagt auch die Wahrscheinlichkeiten der Objektklassen voraus.
Ein-Stufen-Verarbeitung: Klassifizierung und Lokalisierung werden gleichzeitig innerhalb desselben neuronalen Netzes durchgeführt, was wirklich „You Only Look Once“ ermöglicht und daher in der Geschwindigkeit früheren Methoden deutlich überlegen ist.

Ausführen des Codes

cd ~/ai-lab-kit/yolo
python3 yolo_test.py

Der Code lädt automatisch ein Modell (ca. 6 MB) herunter und führt es auf der Kamera aus. Die Ergebnisse werden in einem Fenster mit dem Titel „YOLOv8“ angezeigt.

(Beim ersten Start wird automatisch ein etwa 6 MB großes Modell heruntergeladen):

#!/usr/bin/env python3
import cv2
from picamera2 import Picamera2
from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # nano-Modell

# Kamera initialisieren
picam2 = Picamera2()
picam2.preview_configuration.main.size = (640, 480)
picam2.preview_configuration.main.format = "RGB888"
picam2.configure("preview")
picam2.start()

print("YOLO gestartet, drücken Sie 'q' zum Beenden...")

try:
   while True:
      # Einzelbild erfassen
      frame = picam2.capture_array()

      # YOLO ausführen und imgsz=320 setzen
      results = model(frame, imgsz=320)

      # Ergebnisse zeichnen
      annotated = results[0].plot()

      # Ergebnisse anzeigen
      cv2.imshow("YOLO auf dem Raspberry Pi", annotated)

      # 'q' zum Beenden drücken
      if cv2.waitKey(1) & 0xFF == ord('q'):
            break
finally:
   cv2.destroyAllWindows()
   picam2.stop()
   print("Beendet")

Fehlerbehebung

F: Fehler aufgrund einer Größenänderung von Numpy.dtype

Die Numpy-Version zurücksetzen:

# Wenn Version 2.x, auf 1.x zurücksetzen
pip3 install "numpy<2.0" --break-system-packages --force-reinstall

F: Fehler wegen fehlender `libopenblas.so.0`

Die OpenBLAS-Bibliothek installieren:

sudo apt install libopenblas-dev

F: Kamera kann nicht geöffnet werden

Kameraverbindung prüfen und sicherstellen, dass sie aktiviert ist:

sudo raspi-config
# Interface Options -> Camera -> Enable auswählen

F: Fehler aufgrund von Speichermangel

Auslagerungsspeicher (Swap) vergrößern:

sudo dphys-swapfile swapoff
sudo nano /etc/dphys-swapfile
# CONF_SWAPSIZE=2048 ändern
sudo dphys-swapfile setup
sudo dphys-swapfile swapon

Methoden zur Leistungsoptimierung

Der Betrieb von YOLO auf einem Raspberry Pi (selbst 4B/5) kann anspruchsvoll sein. Hier sind mehrere bewährte Optimierungsmethoden:

YOLO-Inferenzauflösung anpassen: Der obige Code verwendet bereits imgsz=320, was eine ausgewogene Einstellung ist. Anpassbare Werte:
- imgsz=224 - Niedrigste Auflösung, höchste Geschwindigkeit
- imgsz=320 - Standardeinstellung
- imgsz=416 - Höhere Genauigkeit, langsamere Geschwindigkeit
- imgsz=640 - Höchste Genauigkeit, sehr langsam auf dem Raspberry Pi
Das richtige Modell wählen:
- yolov8n.pt (6 MB) - Am schnellsten, geeignet für Echtzeiterkennung
- yolov8s.pt (22 MB) - Etwas langsamer, aber genauer
- yolov8m.pt (49 MB) - Langsamer, höhere Genauigkeit
- yolov8l/x.pt - Auf dem Raspberry Pi in der Regel nicht nutzbar
- Sie können auch Ihr eigenes trainiertes Modell verwenden, z. B. "/home/pi/my_model.pt". Wie Sie eigene Modelle trainieren, wird in späteren Kapiteln behandelt.
Erkennungsklassen einschränken: Wenn nur bestimmte Objekte erkannt werden sollen (z. B. nur Personen), ändern Sie den Code:

results = model(frame, classes=[0], imgsz=320)  # 0 ist die Klassen-ID für Person

Häufige Klassen-IDs:

0 - Person

1 - Fahrrad

2 - Auto

3 - Motorrad

5 - Bus

7 - Lastwagen

Leichte Modellvarianten verwenden:

# Verwenden einer beschnittenen Version von YOLOv8n (falls verfügbar)
model = YOLO("yolov8n.pt")

# Oder TensorRT-Beschleunigung verwenden (erfordert zusätzliche Konfiguration)
# model = YOLO("yolov8n.pt")
# model.export(format="engine")  # Als TensorRT-Engine exportieren

Bildverarbeitungsrate reduzieren: Wenn keine Echtzeitanzeige aller Einzelbilder benötigt wird, verarbeiten Sie die Bilder intermittierend:

frame_count = 0
while True:
    frame = picam2.capture_array()

    # Jedes 3. Bild verarbeiten
    if frame_count % 3 == 0:
        results = model(frame, imgsz=320)
        annotated = results[0].plot()
        cv2.imshow("YOLO auf dem Raspberry Pi", annotated)

    frame_count += 1

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

Multithreading verwenden: Kameraerfassung und YOLO-Inferenz in verschiedene Threads aufteilen:

import threading
import queue

frame_queue = queue.Queue(maxsize=2)
result_queue = queue.Queue(maxsize=2)

def capture_frames():
    while True:
        frame = picam2.capture_array()
        if frame_queue.full():
            frame_queue.get()
        frame_queue.put(frame)

def process_frames():
    while True:
        frame = frame_queue.get()
        results = model(frame, imgsz=320)
        annotated = results[0].plot()
        if result_queue.full():
            result_queue.get()
        result_queue.put(annotated)

# Threads starten
threading.Thread(target=capture_frames, daemon=True).start()
threading.Thread(target=process_frames, daemon=True).start()

while True:
    if not result_queue.empty():
        cv2.imshow("YOLO auf dem Raspberry Pi", result_queue.get())
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

Fortgeschrittene Anwendung

Verwendung von Videodateien als Eingabe

import cv2
from ultralytics import YOLO

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("input_video.mp4")

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, imgsz=320)
    annotated = results[0].plot()
    cv2.imshow("YOLO-Erkennung", annotated)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

Zusammenfassung

Durch dieses Tutorial haben Sie gelernt:

Wie Sie die YOLO-Umgebung auf dem Raspberry Pi einrichten
Wie Sie eine Echtzeit-Objekterkennung mit der Kamera durchführen
Wie Sie häufige Installations- und Laufzeitprobleme beheben
Verschiedene Methoden zur Optimierung der Erkennungsleistung

Die Stärke von YOLO liegt in seiner Einfachheit und Effizienz, die eine respektable Objekterkennungsleistung selbst auf eingebetteten Geräten wie dem Raspberry Pi ermöglicht. Wenn Sie weiter experimentieren, können Sie verschiedene interessante Anwendungen wie intelligente Überwachung, Objektverfolgung und Personenzählung entwickeln.