Какая реализация YOLO лучше всего подходит для Raspberry Pi (Darknet, TensorFlow или PyTorch)? ⇐ Python

[Anonymous]

Я работаю над проектом с использованием YOLO для обнаружения объектов в реальном времени на Raspberry Pi. Я хочу определить лучший подход с точки зрения простоты настройки, производительности (FPS) и общей удобства обслуживания.
Мои основные варианты сейчас:

• < li>Darknet: компиляция оригинального Darknet с поддержкой OpenCV и использование крошечной модели (например, YOLOv4-tiny или YOLOv3-tiny).
• TensorFlow (TensorFlow Lite): преобразование Модель YOLO для TFLite и, возможно, с использованием дополнительных аппаратных ускорителей, таких как Coral USB TPU.
  PyTorch: использование репозитория YOLOv5 или YOLOv8, установка PyTorch на Pi или использование среды выполнения ONNX.

У меня следующие требования:
Достижение достаточно высокой частоты кадров (в идеале в режиме реального времени или близко к нему) с камеры Pi.
Сохранение простоты настройки, чтобы я мог быстро устранять проблемы, если что-то сломается в полевых условиях.
Возможна интеграция аппаратных ускорителей в будущем (например, Coral TPU, Movidius NCS2). ).
Кто-нибудь успешно развернул YOLO на Raspberry Pi с использованием любой из вышеперечисленных (или других) инфраструктур и может поделиться некоторыми идеями?
Какой подход дал вам наилучшее соотношение производительности и простоты использования?
Какие варианты или версии YOLO (крошечные, нано) или версии показались вам наиболее эффективными при ограниченных аппаратных ресурсах Pi?
Есть ли у вас советы по компиляции и установке этих платформ на Pi, не сталкиваясь с узкими местами в зависимости или производительности?
Любые рекомендации, советы или тесты будут действительно полезны. Заранее спасибо!

Подробнее здесь: https://stackoverflow.com/questions/793 ... ow-or-pyto