YOLOv8边缘设备部署案例：树莓派运行轻量级模型

1. 引言

如果你手头有一块树莓派，想让它“看懂”周围的世界，比如识别摄像头里走过的人、桌上的水杯，或者院子里的猫，那么这篇文章就是为你准备的。我们将一起把一个强大的目标检测模型——YOLOv8，塞进这块小小的开发板里。

目标检测听起来很高深，其实很简单。想象一下，你给树莓派装上了一双“鹰眼”，它不仅能“看到”画面，还能立刻告诉你：“嘿，画面左边有一个人，置信度95%；右边桌子上有一个笔记本电脑和一个水杯。” 这就是YOLOv8要做的事。而我们要做的，就是让这双“鹰眼”在树莓派上跑起来，并且跑得又快又稳。

为什么是树莓派？因为它便宜、小巧、功耗低，是很多嵌入式项目和创客的首选。但它的计算能力有限，直接运行大型AI模型就像让小马拉大车。所以，我们需要一个特别为这种环境优化的“轻量级”版本。本文将带你一步步实现这个目标，从环境准备到最终运行，让你亲手在树莓派上部署一个工业级的实时目标检测系统。

2. 为什么选择YOLOv8和树莓派？

在开始动手之前，我们先聊聊为什么是这两个组合。

YOLOv8的优势：在目标检测领域，YOLO系列一直是速度与精度平衡的标杆。YOLOv8作为最新版本之一，在保持高检测精度的同时，进一步优化了速度。更重要的是，它提供了从大到小多个模型尺寸，其中最小的nano版本，就是为资源受限的设备（比如树莓派）量身定制的。它支持识别80种日常生活中常见的物体，从人、车、狗，到手机、椅子、香蕉，基本覆盖了大部分场景。

树莓派的挑战与机遇：树莓派的核心是一颗ARM架构的处理器，内存通常为1GB到8GB。它没有强大的独立显卡，这意味着所有计算都要靠CPU。直接运行原始的、庞大的YOLOv8模型是不现实的，会非常缓慢。但通过使用专用的轻量级模型（如YOLOv8n）和适当的优化，我们完全可以在树莓派上实现“秒级”甚至“毫秒级”的推理速度，满足很多实时性要求不极端的应用，比如智能门铃、仓库物品监控、简单的机器人视觉等。

简单来说，我们的目标就是：用最小的资源消耗，实现可用的实时检测能力。下面，我们就开始准备这趟旅程。

3. 环境准备与项目部署

3.1 硬件与系统要求

首先，确保你的树莓派已经就绪。

• 推荐型号：树莓派4B（2GB/4GB/8GB内存版本均可）或更新型号。树莓派3B+也能运行，但速度会慢一些。
• 操作系统：官方Raspberry Pi OS（基于Debian），建议使用64位版本以获得更好的性能。确保系统已更新到最新。

  sudo apt update && sudo apt upgrade -y
  

• 存储空间：至少预留2GB的可用空间，用于安装依赖和模型文件。
• 网络：树莓派需要连接互联网，以下载安装包。

3.2 一键部署与启动

为了最简化流程，我们使用一个预配置好的Docker镜像。Docker可以理解为一个“软件集装箱”，它把运行YOLOv8所需的所有环境（Python、库、代码）都打包好了，我们直接运行这个“集装箱”就行，避免了复杂的配置过程。

1. 安装Docker：如果你的树莓派还没有安装Docker，可以通过以下命令安装。

   curl -fsSL https://get.docker.com -o get-docker.sh
   sudo sh get-docker.sh
   sudo usermod -aG docker $USER
   

   执行最后一条命令后，你需要退出当前终端并重新登录，或者重启树莓派，以使权限生效。

2. 拉取并运行YOLOv8镜像：这是最关键的一步。我们使用一个针对树莓派CPU优化过的YOLOv8镜像。

   docker run -d \
     --name yolov8-on-pi \
     -p 7860:7860 \
     --restart unless-stopped \
     csphere/yolov8-webui:lite-cpu
   

   • -d：让容器在后台运行。
   • --name：给容器起个名字，方便管理。
   • -p 7860:7860：将容器内部的7860端口映射到树莓派的7860端口。这样我们就能通过树莓派的IP地址访问Web界面了。
   • --restart unless-stopped：设置容器自动重启策略。
   • csphere/yolov8-webui:lite-cpu：这是镜像名称，它包含了YOLOv8 Nano模型和一个简单的Web界面。

3. 检查运行状态：运行后，可以用下面的命令查看容器是否正常启动。

   docker ps
   

   如果看到名为yolov8-on-pi的容器状态为Up，就说明成功了。

4. 使用Web界面进行目标检测

部署完成后，一切操作都可以通过浏览器来完成，非常简单。

1. 访问Web界面：

   • 在你的电脑或手机上，打开浏览器。
   • 在地址栏输入：http://<你的树莓派IP地址>:7860
   • 如何获取树莓派IP？在树莓派终端输入 hostname -I 即可看到。

2. 上传图片并检测：

   • 打开网页后，你会看到一个简洁的上传界面。
   • 点击“上传”按钮，选择一张你准备好的图片。图片内容可以复杂一些，比如一张街景、一间办公室或者一张家庭聚会的照片，这样检测效果更直观。
   • 上传后，系统会自动开始处理。

3. 查看结果：

   • 图像区域：处理完成后，原图会显示出来，所有被识别到的物体都会被一个彩色的矩形框框住，并在框的旁边标注了物体名称和置信度（可以理解为模型对自己的判断有多大的把握）。
   • 统计看板：在图片下方或侧边，会有一个统计区域，以清晰的列表形式告诉你一共识别到了多少类物体，每类有多少个。例如：person: 5, car: 3, dog: 1。

这个过程完全不需要你写任何代码，就像使用一个普通的网站一样。你可以多换几张不同类型的图片试试，看看这个运行在树莓派上的“鹰眼”识别得准不准。

5. 进阶：通过Python API调用

如果你不满足于Web界面，想在自己的Python程序里调用这个检测能力，比如处理摄像头视频流，也是可以的。因为Docker容器已经提供了标准的HTTP接口。

下面是一个简单的Python脚本示例，演示如何向本地部署的服务发送图片并获取检测结果。

import requests
import json
import cv2
import numpy as np

# 树莓派上服务的地址
SERVER_URL = "http://localhost:7860"  # 如果在树莓派本机运行脚本
# 如果从网络中的其他电脑运行，请改为：http://<树莓派IP>:7860

def detect_image(image_path):
    """
    上传图片到YOLOv8服务并获取检测结果
    """
    with open(image_path, 'rb') as f:
        files = {'file': f}
        try:
            # 发送POST请求到上传接口
            response = requests.post(f"{SERVER_URL}/upload", files=files)
            response.raise_for_status()  # 检查请求是否成功
            
            # 解析返回的JSON结果
            result = response.json()
            
            # 打印统计信息
            if 'detections' in result:
                print("检测统计：")
                for obj, count in result['detections'].items():
                    print(f"  {obj}: {count}个")
            
            # 通常服务也会返回标注后图片的URL，你可以下载它
            if 'annotated_image_url' in result:
                print(f"标注后的图片可在此查看：{SERVER_URL}{result['annotated_image_url']}")
                
        except requests.exceptions.RequestException as e:
            print(f"请求出错：{e}")
        except json.JSONDecodeError:
            print("解析响应结果失败")

def process_video_stream(camera_index=0):
    """
    简单的示例：捕获摄像头帧并间隔发送检测（注意：连续发送对树莓派压力较大）
    """
    cap = cv2.VideoCapture(camera_index)
    frame_count = 0
    
    while True:
        ret, frame = cap.read()
        if not ret:
            break
            
        frame_count += 1
        # 每处理30帧发送一帧进行检测，以降低负载
        if frame_count % 30 == 0:
            # 将帧临时保存为图片文件
            temp_path = f"/tmp/frame_{frame_count}.jpg"
            cv2.imwrite(temp_path, frame)
            # 调用检测函数
            detect_image(temp_path)
            
        # 显示实时画面（可选）
        cv2.imshow('Camera Feed', frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
            
    cap.release()
    cv2.destroyAllWindows()

if __name__ == "__main__":
    # 使用方法1：检测单张图片
    detect_image("/home/pi/your_image.jpg")  # 替换为你的图片路径
    
    # 使用方法2：简单视频流处理（根据性能酌情使用）
    # process_video_stream()

代码解释：

• 脚本的核心是向部署在7860端口的服务发送一个包含图片的POST请求。
• 服务处理完后，会返回一个JSON格式的结果，里面包含了检测到的物体类别和数量。
• process_video_stream 函数展示了一个如何结合摄像头进行周期性检测的思路。请注意，由于树莓派算力有限，不建议对每一帧视频都进行检测，而是可以间隔几帧或降低分辨率来处理，这需要根据实际应用场景进行调优。

6. 性能优化与实践建议

让YOLOv8在树莓派上跑得更快更稳，这里有一些小技巧：

1. 模型选择：我们使用的nano模型已经是权衡精度和速度后的最佳选择。不要尝试在树莓派上运行更大的s、m、l模型，速度会慢到无法实用。
2. 输入图片尺寸：YOLOv8模型有默认的输入尺寸（如640x640）。在调用时，可以尝试传入更小的尺寸（如320x320），这会显著提升推理速度，当然精度会略有下降。你可以在Web UI的上传接口或自定义脚本中探索此参数。
3. 关闭不必要的服务：确保树莓派上没有运行其他占用大量CPU的程序。
4. 考虑使用USB加速棒：如果对速度有更高要求，可以考虑为树莓派配备Intel Neural Compute Stick 2或谷歌Coral USB加速棒等专用AI加速硬件，它们能大幅提升推理速度，但需要寻找支持该硬件的特定YOLOv8部署版本。
5. 实际应用思路：
   • 移动侦测触发：对于监控场景，可以先使用简单的背景差分法检测画面变化，只有当有物体移动时，才触发YOLOv8进行识别，避免持续运算。
   • 定时抓拍识别：对于不要求严格实时的场景（如统计货架商品），可以设置为每分钟抓拍一张图片进行分析。

7. 总结

通过本文的步骤，我们成功地将强大的YOLOv8目标检测模型部署到了资源受限的树莓派上，并实现了通过Web界面和Python API两种方式进行调用。这个过程展示了边缘AI部署的典型流程：选择轻量模型 -> 利用容器化简化部署 -> 通过服务化接口提供能力。

树莓派运行YOLOv8的意义在于，它将智能从云端拉到了设备边缘。你不需要将视频流源源不断地传到遥远的服务器，在本地就能完成实时分析，这带来了更快的响应速度、更低的网络带宽消耗以及更好的数据隐私性。

无论是用于教育实验、创客项目，还是作为某些轻量级工业应用的视觉组件，这套方案都提供了一个坚实可靠的起点。你可以基于此，进一步开发出属于自己的智能门禁、物品清点机器人或者有趣的互动艺术装置。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。