📚 课程目录第2章搭建边缘AI开发环境

2. 搭建边缘AI开发环境

任务目标

在Raspberry Pi 4B（4GB及以上内存版本）上完成边缘AI开发环境搭建：安装64位操作系统、Python虚拟环境、TensorFlow Lite Runtime及PyTorch Mobile（CPU版），并验证两者均可完成张量计算推理。本案例以树莓派为硬件载体，所有命令均在树莓派终端执行。

环境依赖

硬件：Raspberry Pi 4B（建议4GB+内存）、32GB以上microSD卡、电源及网络连接
宿主机：任意系统，用于烧录镜像（推荐Raspberry Pi Imager）
目标系统：Raspberry Pi OS（64位）Bookworm，基于Debian 12

第一步：烧录64位操作系统

使用Raspberry Pi Imager烧录镜像时，选择 Raspberry Pi OS (64-bit)。烧录前点击Imager右下角齿轮图标，预先启用SSH并设置用户名/密码。烧录完成后插入树莓派启动，通过SSH登录。

第二步：系统更新与基础依赖

sudo apt update && sudo apt upgrade -y
sudo apt install -y python3-venv python3-pip git wget

第三步：创建Python虚拟环境

python3 -m venv ~/edge_ai_env
source ~/edge_ai_env/bin/activate
pip install --upgrade pip

第四步：安装TensorFlow Lite Runtime

TensorFlow Lite Runtime仅包含推理所需算子，体积远小于完整TensorFlow，适合边缘设备。从官方pip源直接安装（Bookworm 64位系统已提供ARM64预编译包）：

pip install tflite-runtime

第五步：安装PyTorch Mobile（CPU版）

PyTorch Mobile在树莓派上通过pip安装时，需指定ARM64架构的CPU版本wheel包。执行以下命令安装PyTorch 2.x CPU版：

pip install torch --index-url https://download.pytorch.org/whl/cpu

第六步：安装必要依赖库

pip install numpy pillow

第七步：验证安装

创建验证脚本 verify_env.py，同时测试两个框架的张量计算能力：

import numpy as np
# TensorFlow Lite Runtime 验证
try:
    import tflite_runtime.interpreter as tflite
    interpreter = tflite.Interpreter(model_path="")
    print("TFLite Runtime version OK")
except Exception as e:
    print(f"TFLite Runtime import failed: {e}")

# PyTorch 验证
import torch
x = torch.rand(3, 4)
y = torch.rand(4, 5)
z = torch.matmul(x, y)
print(f"PyTorch version: {torch.__version__}")
print(f"Matrix multiplication shape: {list(z.shape)}")
print(f"PyTorch CPU inference OK: {z.sum().item() > 0}")

运行验证：

python verify_env.py

验证方法与通过标准

通过条件1：脚本无异常输出，显示"TFLite Runtime version OK"
通过条件2：PyTorch版本号正常打印，矩阵乘法输出shape为[3,5]
通过条件3：python -c "import torch; print(torch.backends.mps.is_available())" 返回False属正常（树莓派无MPS），CPU推理路径可用即可

常见问题排查

pip安装torch速度慢：确认使用--index-url https://download.pytorch.org/whl/cpu，该源提供ARM64 wheel，避免源码编译
tflite-runtime导入报错：确认系统为64位（uname -m应输出aarch64），32位系统需手动编译
虚拟环境无法激活：执行source ~/edge_ai_env/bin/activate后，命令行前缀应出现(edge_ai_env)

至此，树莓派已具备运行TensorFlow Lite和PyTorch模型的基本推理能力，后续案例可直接在此环境上部署具体模型。