دليل البدء السريع: Raspberry Pi مع Ultralytics YOLO11

يوفر هذا الدليل الشامل شرحًا تفصيليًا لنشر Ultralytics YOLO11 على أجهزة Raspberry Pi. بالإضافة إلى ذلك، فإنه يعرض معايير الأداء لتوضيح قدرات YOLO11 على هذه الأجهزة الصغيرة والقوية.

شاهد: تحديثات وتحسينات Raspberry Pi 5.

ما هو Raspberry Pi؟

Raspberry Pi هو جهاز كمبيوتر صغير وميسور التكلفة بلوحة واحدة. وقد أصبح شائعًا لمجموعة واسعة من المشاريع والتطبيقات، من أتمتة المنازل التي يقوم بها الهواة إلى الاستخدامات الصناعية. يمكن للوحات Raspberry Pi تشغيل مجموعة متنوعة من أنظمة التشغيل، وتوفر دبابيس GPIO (إدخال/إخراج للأغراض العامة) التي تسمح بالتكامل السهل مع المستشعرات والمشغلات ومكونات الأجهزة الأخرى. تأتي في نماذج مختلفة بمواصفات متفاوتة، ولكنها تشترك جميعًا في نفس فلسفة التصميم الأساسية المتمثلة في كونها منخفضة التكلفة ومدمجة ومتعددة الاستخدامات.

مقارنة سلسلة Raspberry Pi

ما هو نظام التشغيل Raspberry Pi؟

Raspberry Pi OS (المعروفة سابقًا باسم Raspbian) هي نظام تشغيل شبيه بنظام Unix يعتمد على توزيعة Debian GNU/Linux لعائلة Raspberry Pi من أجهزة الكمبيوتر أحادية اللوحة المدمجة التي توزعها مؤسسة Raspberry Pi. تم تحسين Raspberry Pi OS بشكل كبير لأجهزة Raspberry Pi المزودة بوحدات معالجة مركزية ARM وتستخدم بيئة سطح مكتب LXDE معدلة مع مدير النوافذ المكدسة Openbox. نظام Raspberry Pi OS قيد التطوير النشط، مع التركيز على تحسين استقرار وأداء أكبر عدد ممكن من حزم Debian على Raspberry Pi.

تثبيت Flash Raspberry Pi OS على Raspberry Pi

أول ما يجب فعله بعد الحصول على جهاز Raspberry Pi هو تثبيت نظام التشغيل Raspberry Pi OS على بطاقة micro-SD، وإدخالها في الجهاز، ثم الإقلاع إلى نظام التشغيل. اتبع وثائق البدء التفصيلية من Raspberry Pi لإعداد جهازك للاستخدام لأول مرة.

إعداد Ultralytics

هناك طريقتان لإعداد حزمة Ultralytics على Raspberry Pi لبناء مشروع رؤية الكمبيوتر التالي. يمكنك استخدام أي منهما.

• ابدأ باستخدام Docker
• ابدأ بدون Docker

ابدأ باستخدام Docker

أسرع طريقة للبدء مع Ultralytics YOLO11 على Raspberry Pi هي التشغيل باستخدام صورة Docker مسبقة الإنشاء لـ Raspberry Pi.

نفّذ الأمر أدناه لسحب حاوية Docker وتشغيلها على Raspberry Pi. يعتمد هذا على صورة Docker arm64v8/debian التي تحتوي على Debian 12 (Bookworm) في بيئة Python3.

t=ultralytics/ultralytics:latest-arm64
sudo docker pull $t && sudo docker run -it --ipc=host $t

بعد الانتهاء من ذلك، انتقل إلى استخدام NCNN على قسم Raspberry Pi.

ابدأ بدون Docker

تثبيت حزمة Ultralytics

هنا سنقوم بتثبيت حزمة Ultralytics على Raspberry Pi مع التبعيات الاختيارية حتى نتمكن من تصدير نماذج PyTorch إلى تنسيقات مختلفة أخرى.

1. تحديث قائمة الحزم وتثبيت pip والترقية إلى الأحدث

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip
   

2. تثبيت ultralytics حزمة pip مع تبعيات اختيارية

   pip install ultralytics[export]
   

3. أعد تشغيل الجهاز

   sudo reboot
   

استخدم NCNN على Raspberry Pi

من بين جميع تنسيقات تصدير النماذج التي تدعمها Ultralytics، يوفر NCNN أفضل أداء استنتاج عند العمل مع أجهزة Raspberry Pi لأن NCNN مُحسَّن للغاية للأنظمة الأساسية المحمولة/المضمنة (مثل بنية ARM).

تحويل النموذج إلى NCNN وتشغيل الاستدلال

يتم تحويل نموذج YOLO11n بتنسيق PyTorch إلى NCNN لتشغيل الاستدلال مع النموذج الذي تم تصديره.

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo11n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to NCNN format
yolo export model=yolo11n.pt format=ncnn # creates 'yolo11n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

معايير أداء YOLO11 على Raspberry Pi 5

تم تشغيل معايير YOLO11 بواسطة فريق Ultralytics على عشرة تنسيقات نماذج مختلفة تقيس السرعة و الدقة: PyTorch و TorchScript و ONNX و OpenVINO و TF SavedModel و TF GraphDef و TF Lite و PaddlePaddle و MNN و NCNN. تم تشغيل المعايير على Raspberry Pi 5 بدقة FP32 precision مع حجم صورة إدخال افتراضي يبلغ 640.

مخطط المقارنة

لقد قمنا بتضمين معايير الأداء لنماذج YOLO11n و YOLO11s فقط لأن أحجام النماذج الأخرى كبيرة جدًا بحيث لا يمكن تشغيلها على Raspberry Pi ولا تقدم أداءً لائقًا.

جدول مقارنة تفصيلي

يمثل الجدول أدناه نتائج المقارنة المعيارية لنموذجين مختلفين (YOLO11n و YOLO11s) عبر عشرة تنسيقات مختلفة (PyTorch و TorchScript و ONNX و OpenVINO و TF SavedModel و TF GraphDef و TF Lite و PaddlePaddle و MNN و NCNN)، تعمل على Raspberry Pi 5، مما يمنحنا الحالة والحجم ومقياس mAP50-95(B) ووقت الاستدلال لكل تركيبة.

إعادة إنتاج نتائجنا

لإعادة إنتاج معايير Ultralytics المذكورة أعلاه على جميع صيغ التصدير، قم بتشغيل هذا الكود:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all all export formats
results = model.benchmark(data="coco128.yaml", imgsz=640)

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all all export formats
yolo benchmark model=yolo11n.pt data=coco128.yaml imgsz=640

استخدم كاميرا Raspberry Pi

عند استخدام Raspberry Pi لمشاريع رؤية الكمبيوتر، قد يكون من الضروري الحصول على موجزات فيديو في الوقت الفعلي لإجراء الاستدلال. يتيح لك موصل MIPI CSI الموجود على Raspberry Pi توصيل وحدات كاميرا Raspberry PI الرسمية. في هذا الدليل، استخدمنا وحدة كاميرا Raspberry Pi 3 للحصول على موجزات الفيديو وإجراء الاستدلال باستخدام نماذج YOLO11.

اختبار الكاميرا

نفّذ الأمر التالي بعد توصيل الكاميرا بـ Raspberry Pi. يجب أن ترى بث فيديو مباشر من الكاميرا لمدة 5 ثوانٍ تقريبًا.

rpicam-hello

الاستدلال بالكاميرا

هناك طريقتان لاستخدام كاميرا Raspberry Pi للاستدلال على نماذج YOLO11.

import cv2
from picamera2 import Picamera2

from ultralytics import YOLO

# Initialize the Picamera2
picam2 = Picamera2()
picam2.preview_configuration.main.size = (1280, 720)
picam2.preview_configuration.main.format = "RGB888"
picam2.preview_configuration.align()
picam2.configure("preview")
picam2.start()

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

while True:
    # Capture frame-by-frame
    frame = picam2.capture_array()

    # Run YOLO11 inference on the frame
    results = model(frame)

    # Visualize the results on the frame
    annotated_frame = results[0].plot()

    # Display the resulting frame
    cv2.imshow("Camera", annotated_frame)

    # Break the loop if 'q' is pressed
    if cv2.waitKey(1) == ord("q"):
        break

# Release resources and close windows
cv2.destroyAllWindows()

rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Run inference
results = model("tcp://127.0.0.1:8888")

yolo predict model=yolo11n.pt source="tcp://127.0.0.1:8888"

أفضل الممارسات عند استخدام Raspberry Pi

هناك بعض أفضل الممارسات التي يجب اتباعها لتمكين أقصى أداء على Raspberry Pis التي تشغل YOLO11.

1. استخدم SSD

   عند استخدام Raspberry Pi للاستخدام المستمر على مدار الساعة طوال أيام الأسبوع، يوصى باستخدام SSD للنظام لأن بطاقة SD لن تكون قادرة على تحمل عمليات الكتابة المستمرة وقد تتعطل. مع موصل PCIe المدمج في Raspberry Pi 5، يمكنك الآن توصيل محركات أقراص SSD باستخدام محول مثل NVMe Base for Raspberry Pi 5.

2. تثبيت Flash بدون واجهة مستخدم رسومية (GUI)

   عند تثبيت Raspberry Pi OS، يمكنك اختيار عدم تثبيت بيئة سطح المكتب (Raspberry Pi OS Lite) وهذا يمكن أن يوفر بعض ذاكرة الوصول العشوائي (RAM) على الجهاز، مما يترك مساحة أكبر لمعالجة رؤية الكمبيوتر.

3. زيادة سرعة Raspberry Pi

   إذا كنت تريد زيادة طفيفة في الأداء أثناء تشغيل نماذج Ultralytics YOLO11 على Raspberry Pi 5، فيمكنك زيادة سرعة وحدة المعالجة المركزية (CPU) من 2.4 جيجاهرتز الأساسي إلى 2.9 جيجاهرتز ووحدة معالجة الرسومات (GPU) من 800 ميجاهرتز إلى 1 جيجاهرتز. إذا أصبح النظام غير مستقر أو تعطل، فقلل قيم زيادة السرعة بزيادات قدرها 100 ميجاهرتز. تأكد من وجود تبريد مناسب، حيث أن زيادة السرعة تزيد من توليد الحرارة وقد تؤدي إلى الاختناق الحراري.

   أ. قم بترقية البرنامج

   sudo apt update && sudo apt dist-upgrade
   

   ب. افتح لتعديل ملف التكوين

   sudo nano /boot/firmware/config.txt
   

   ج. أضف الأسطر التالية في الأسفل

   arm_freq=3000
   gpu_freq=1000
   force_turbo=1
   

   د. احفظ واخرج بالضغط على CTRL + X، ثم Y، واضغط على ENTER

   هـ. أعد تشغيل Raspberry Pi

كيف يمكنني تدريب YOLOv5 على مجموعة البيانات المخصصة الخاصة بي؟

تهانينا على إعداد YOLO بنجاح على جهاز Raspberry Pi الخاص بك! لمزيد من التعلم والدعم، قم بزيارة Ultralytics YOLO11 Docs و Kashmir World Foundation.

شكر وتقدير واقتباسات

تم إنشاء هذا الدليل في الأصل بواسطة Daan Eeltink لمؤسسة Kashmir World Foundation، وهي منظمة مكرسة لاستخدام YOLO للحفاظ على الأنواع المهددة بالانقراض. نحن نقر بعملهم الرائد وتركيزهم التعليمي في مجال تقنيات الكشف عن الأجسام.

لمزيد من المعلومات حول أنشطة مؤسسة كشمير العالمية، يمكنك زيارة موقعهم الإلكتروني.

الأسئلة الشائعة

كيف يمكنني إعداد Ultralytics YOLO11 على Raspberry Pi بدون استخدام Docker؟

لإعداد Ultralytics YOLO11 على Raspberry Pi بدون Docker، اتبع الخطوات التالية:

1. تحديث قائمة الحزم وتثبيت pip:

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip
   

2. قم بتثبيت حزمة Ultralytics مع التبعيات الاختيارية:

   pip install ultralytics[export]
   

3. أعد تشغيل الجهاز لتطبيق التغييرات:

   sudo reboot
   

للحصول على إرشادات مفصلة، راجع قسم البدء بدون Docker.

لماذا يجب علي استخدام تنسيق NCNN الخاص بـ Ultralytics YOLO11 على Raspberry Pi لمهام الذكاء الاصطناعي؟

تم تحسين تنسيق NCNN الخاص بـ Ultralytics YOLO11 بشكل كبير للأجهزة المحمولة والأنظمة الأساسية المدمجة، مما يجعله مثاليًا لتشغيل مهام الذكاء الاصطناعي على أجهزة Raspberry Pi. يزيد NCNN من أداء الاستدلال عن طريق الاستفادة من بنية ARM، مما يوفر معالجة أسرع وأكثر كفاءة مقارنة بالتنسيقات الأخرى. لمزيد من التفاصيل حول خيارات التصدير المدعومة، تفضل بزيارة صفحة وثائق Ultralytics حول خيارات النشر.

كيف يمكنني تحويل نموذج YOLO11 إلى تنسيق NCNN لاستخدامه على Raspberry Pi؟

يمكنك تحويل نموذج PyTorch YOLO11 إلى تنسيق NCNN باستخدام أوامر Python أو CLI:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to NCNN format
model.export(format="ncnn")  # creates 'yolo11n_ncnn_model'

# Load the exported NCNN model
ncnn_model = YOLO("yolo11n_ncnn_model")

# Run inference
results = ncnn_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to NCNN format
yolo export model=yolo11n.pt format=ncnn # creates 'yolo11n_ncnn_model'

# Run inference with the exported model
yolo predict model='yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'

لمزيد من التفاصيل، راجع قسم استخدام NCNN على Raspberry Pi.

ما هي اختلافات الأجهزة بين Raspberry Pi 4 و Raspberry Pi 5 ذات الصلة بتشغيل YOLO11؟

تشمل الاختلافات الرئيسية ما يلي:

• وحدة المعالجة المركزية CPU: يستخدم Raspberry Pi 4 معالج Broadcom BCM2711، Cortex-A72 64-bit SoC، بينما يستخدم Raspberry Pi 5 معالج Broadcom BCM2712، Cortex-A76 64-bit SoC.
• الحد الأقصى لتردد وحدة المعالجة المركزية CPU: يحتوي Raspberry Pi 4 على تردد أقصى يبلغ 1.8 جيجاهرتز، بينما يصل Raspberry Pi 5 إلى 2.4 جيجاهرتز.
• الذاكرة: يوفر Raspberry Pi 4 ما يصل إلى 8 جيجابايت من LPDDR4-3200 SDRAM، بينما يتميز Raspberry Pi 5 بـ LPDDR4X-4267 SDRAM، المتوفر في متغيرات 4 جيجابايت و 8 جيجابايت.

تساهم هذه التحسينات في تحسين معايير الأداء لنماذج YOLO11 على Raspberry Pi 5 مقارنة بـ Raspberry Pi 4. راجع جدول مقارنة سلسلة Raspberry Pi لمزيد من التفاصيل.

كيف يمكنني إعداد وحدة كاميرا Raspberry Pi للعمل مع Ultralytics YOLO11؟

هناك طريقتان لإعداد كاميرا Raspberry Pi للاستدلال على YOLO11:

1. استخدام picamera2:

   import cv2
   from picamera2 import Picamera2
   
   from ultralytics import YOLO
   
   picam2 = Picamera2()
   picam2.preview_configuration.main.size = (1280, 720)
   picam2.preview_configuration.main.format = "RGB888"
   picam2.preview_configuration.align()
   picam2.configure("preview")
   picam2.start()
   
   model = YOLO("yolo11n.pt")
   
   while True:
       frame = picam2.capture_array()
       results = model(frame)
       annotated_frame = results[0].plot()
       cv2.imshow("Camera", annotated_frame)
   
       if cv2.waitKey(1) == ord("q"):
           break
   
   cv2.destroyAllWindows()
   

2. استخدام دفق TCP:

   rpicam-vid -n -t 0 --inline --listen -o tcp://127.0.0.1:8888
   

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model("tcp://127.0.0.1:8888")
   

للحصول على إرشادات مفصلة حول الإعداد، تفضل بزيارة قسم الاستدلال باستخدام الكاميرا.

📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد

تعليقات