在 Raspberry Pi 4 和 5 上进行实时推理（40 fps！）#
创建日期：2022年2月8日 | 最后更新：2025年9月30日 | 最后验证：2024年11月5日
作者: Tristan Rice
PyTorch 对 Raspberry Pi 4 和 5 提供了开箱即用的支持。本教程将指导您如何配置 Raspberry Pi 以运行 PyTorch，并在 CPU 上实时（30-40 fps）运行 MobileNet v2 分类模型。
所有测试均在 Raspberry Pi 4 Model B 4GB 版本上进行，但也应适用于 2GB 版本，以及性能较低的 3B 版本。
先决条件#
要学习本教程，您需要一台 Raspberry Pi 4 或 5、相应的摄像头以及所有其他标准配件。
散热片和风扇（可选，但推荐）
5V 3A USB-C 电源
SD 卡（至少 8GB）
SD 卡读写器
Raspberry Pi 设置#
PyTorch 仅提供 Arm 64 位 (aarch64) 的 pip 安装包，因此您需要在 Raspberry Pi 上安装 64 位版本的操作系统。
您需要安装 官方 rpi-imager 来安装 Raspberry Pi OS。
32 位 Raspberry Pi OS 无法运行。
安装过程至少需要几分钟，具体取决于您的网络速度和 SD 卡速度。完成后，界面应如下所示：
现在将 SD 卡放入 Raspberry Pi，连接摄像头并启动它。
Raspberry Pi 4 配置#
如果您使用的是 Raspberry Pi 4，则需要进行一些额外的配置更改。Raspberry Pi 5 无需这些更改。
操作系统启动并完成初始设置后，您需要编辑 /boot/config.txt 文件以启用摄像头。
# This enables the extended features such as the camera.
start_x=1
# This needs to be at least 128M for the camera processing, if it's bigger you can just leave it as is.
gpu_mem=128
然后重启。
安装 PyTorch 和 picamera2#
PyTorch 和我们所需的其他库都有 ARM 64位/aarch64 版本，因此您可以像在其他 Linux 系统上一样通过 pip 安装它们。
$ sudo apt install -y python3-picamera2 python3-libcamera
$ pip install torch torchvision --break-system-packages
现在我们可以检查一切是否安装正确。
$ python -c "import torch; print(torch.__version__)"
视频采集#
首先在终端运行 libcamera-hello 测试摄像头是否工作。
对于视频采集，我们将使用 picamera2 来获取视频帧。
我们使用的模型 (MobileNetV2) 接收 224x224 大小的图像，因此我们可以直接从 picamera2 以 36fps 的帧率请求该尺寸。我们的目标模型运行帧率为 30fps，但我们请求稍高的帧率以确保始终有足够的帧。
from picamera2 import Picamera2
picam2 = Picamera2()
# print available sensor modes
print(picam2.sensor_modes)
config = picam2.create_still_configuration(main={
"size": (224, 224),
"format": "BGR888",
}, display="main")
picam2.configure(config)
picam2.set_controls({"FrameRate": 36})
picam2.start()
要采集帧，我们可以调用 capture_image 返回一个 PIL.Image 对象，供 PyTorch 使用。
# read frame
image = picam2.capture_image("main")
# show frame for testing
image.show()
数据读取和处理大约需要 3.5 ms。
图像预处理#
我们需要获取帧并将其转换为模型预期的格式。这与您在任何其他机器上使用标准 torchvision 变换进行的预处理相同。
from torchvision import transforms
preprocess = transforms.Compose([
# convert the frame to a CHW torch tensor for training
transforms.ToTensor(),
# normalize the colors to the range that mobilenet_v2/3 expect
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
input_tensor = preprocess(image)
# The model can handle multiple images simultaneously so we need to add an
# empty dimension for the batch.
# [3, 224, 224] -> [1, 3, 224, 224]
input_batch = input_tensor.unsqueeze(0)
模型选择#
您可以选择多种具有不同性能特征的模型。并非所有模型都提供 qnnpack 预训练版本，因此为了测试，您应该选择一个支持该版本的模型；但如果您训练并量化自己的模型，则可以使用任何模型。
本教程中我们使用 mobilenet_v2，因为它在性能和准确性之间取得了良好的平衡。
Raspberry Pi 4 基准测试结果
模型 |
FPS |
总时间（ms/帧） |
模型推理时间（ms/帧） |
qnnpack 预训练 |
|---|---|---|---|---|
mobilenet_v2 |
33.7 |
29.7 |
26.4 |
真 |
mobilenet_v3_large |
29.3 |
34.1 |
30.7 |
真 |
resnet18 |
9.2 |
109.0 |
100.3 |
假 |
resnet50 |
4.3 |
233.9 |
225.2 |
假 |
resnext101_32x8d |
1.1 |
892.5 |
885.3 |
假 |
inception_v3 |
4.9 |
204.1 |
195.5 |
假 |
googlenet |
7.4 |
135.3 |
132.0 |
假 |
shufflenet_v2_x0_5 |
46.7 |
21.4 |
18.2 |
假 |
shufflenet_v2_x1_0 |
24.4 |
41.0 |
37.7 |
假 |
shufflenet_v2_x1_5 |
16.8 |
59.6 |
56.3 |
假 |
shufflenet_v2_x2_0 |
11.6 |
86.3 |
82.7 |
假 |
MobileNetV2：量化与 JIT#
为了获得最佳性能，我们需要一个经过量化和融合的模型。量化意味着使用 int8 进行计算，这比标准的 float32 数学运算性能高得多。融合意味着在可能的情况下，将连续的运算合并为性能更高的版本。通常，激活函数（如 ReLU）可以在推理期间合并到前一层的运算（如 Conv2d）中。
aarch64 版本的 PyTorch 需要使用 qnnpack 引擎。
import torch
torch.backends.quantized.engine = 'qnnpack'
在此示例中，我们将使用 torchvision 开箱即提供的预量化和融合版本的 MobileNetV2。
from torchvision import models
net = models.quantization.mobilenet_v2(pretrained=True, quantize=True)
然后，我们通过 JIT 对模型进行编译，以减少 Python 开销并融合算子。使用 JIT 可以使帧率从约 20fps 提升至约 30fps。
net = torch.jit.script(net)
整合运行#
现在我们可以将所有部分整合在一起并运行它。
import time
import torch
from torchvision import models, transforms
from picamera2 import Picamera2
torch.backends.quantized.engine = 'qnnpack'
picam2 = Picamera2()
# print available sensor modes
print(picam2.sensor_modes)
config = picam2.create_still_configuration(main={
"size": (224, 224),
"format": "BGR888",
}, display="main")
picam2.configure(config)
picam2.set_controls({"FrameRate": 36})
picam2.start()
preprocess = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
net = models.quantization.mobilenet_v2(pretrained=True, quantize=True)
# jit model to take it from ~20fps to ~30fps
net = torch.jit.script(net)
started = time.time()
last_logged = time.time()
frame_count = 0
with torch.no_grad():
while True:
# read frame
image = picam2.capture_image("main")
# preprocess
input_tensor = preprocess(image)
# create a mini-batch as expected by the model
input_batch = input_tensor.unsqueeze(0)
# run model
output = net(input_batch)
# do something with output ...
print(output.argmax())
# log model performance
frame_count += 1
now = time.time()
if now - last_logged > 1:
print(f"{frame_count / (now-last_logged)} fps")
last_logged = now
frame_count = 0
运行结果显示，在 Raspberry Pi 4 上约为 30 fps，在 Raspberry Pi 5 上约为 41 fps。
这是在 Raspberry Pi OS 默认设置下的表现。如果您禁用了 UI 和默认开启的其他后台服务，性能会更出色且更稳定。
检查 htop 可以发现 CPU 利用率接近 100%。
为了验证端到端是否正常工作，我们可以计算类别的概率并 使用 ImageNet 类标签 来打印检测结果。
top = list(enumerate(output[0].softmax(dim=0)))
top.sort(key=lambda x: x[1], reverse=True)
for idx, val in top[:10]:
print(f"{val.item()*100:.2f}% {classes[idx]}")
mobilenet_v3_large 实时运行中
检测到一个橙子
检测到一个马克杯
故障排查：性能#
默认情况下，PyTorch 会使用所有可用内核。如果 Raspberry Pi 后台运行了其他任务，可能会与模型推理产生竞争，导致延迟突增。为了缓解这种情况，您可以减少线程数，这会以极小的性能损耗为代价，降低峰值延迟。
torch.set_num_threads(2)
对于 shufflenet_v2_x1_5，使用 2 个线程 而非 4 个线程，可以将最佳延迟从 60 ms 增加到 72 ms，但消除了 128 ms 的延迟波动。
下一步#
您可以创建自己的模型或微调现有模型。如果您基于 torchvision.models.quantized 中的模型进行微调，大部分融合和量化工作已为您完成，因此您可以直接部署并在 Raspberry Pi 上获得良好的性能。
了解更多