1. YOLO与树莓派初识：从算法到硬件的第一课
大家好，我是你们这趟实战之旅的向导。说实话，每次带新人入门嵌入式AI，我都要先问一个问题：你手里的树莓派，到底能跑多快的模型？ 这个问题看似简单，但背后牵扯的东西可不少——从YOLO的进化史，到树莓派的硬件极限，再到我们为什么非得选轻量化模型。今天这一章，咱们就把这些底牌全摊开。
1.1 YOLO发展史：从v1到v8，一场实时检测的进化
YOLO，全称You Only Look Once。我第一次接触它是在2016年，那时候还在用Faster R-CNN做项目，一张图跑几百毫秒，根本谈不上实时。直到看到Joseph Redmon那篇——“你只看一次”，我才意识到，目标检测原来可以这么暴力。
YOLO的核心思想很简单：把检测当作回归问题，一个网络直接输出边界框和类别概率。但它的进化之路，却充满了取舍与创新。我整理了一张简表，帮你快速理清脉络：
| 版本 | 发布时间 | 核心突破 | 我的评价 |
|---|---|---|---|
| YOLOv1 | 2016 | 开创性端到端检测，45 FPS | 粗糙但革命性，小目标基本抓瞎 |
| YOLOv2 | 2017 | 引入Anchor Box、Batch Normalization | 精度大幅提升，开始实用化 |
| YOLOv3 | 2018 | 多尺度预测、Darknet-53骨干 | 经典之作，至今仍有人用 |
| YOLOv4 | 2020 | CSPDarknet、Mish激活、Bag-of-Freebies | 工程优化集大成者 |
| YOLOv5 | 2020 | PyTorch实现、Focus结构、自动锚框 | 社区最活跃，部署生态好 |
| YOLOv6 | 2022 | 美团出品，工业级优化 | 对部署友好，但生态不如v5 |
| YOLOv7 | 2022 | E-ELAN、重参数化、辅助头 | 精度速度双优，但模型偏大 |
| YOLOv8 | 2023 | Ultralytics官方，无锚框、新骨干 | 当前首选，训练部署一体化 |
我的建议： 如果你刚入门，直接从YOLOv8开始。v5虽然经典，但v8在训练稳定性和部署工具链上更省心。我在项目中踩过v5某些版本转ONNX的坑，v8基本没这问题。
你可能会问：这么多版本，我该选哪个部署到树莓派？ 别急，答案就在后面的轻量化模型部分。但先记住一个原则：版本越新，不代表越适合嵌入式。 有时候，一个剪裁过的v5 nano，比原版v8跑得更流畅。
1.2 树莓派硬件规格：你的“小钢炮”到底有多强？
树莓派，尤其是4B和5代，已经不再是那个只能跑跑Python脚本的玩具了。但说实话，跟服务器显卡比，它就是个“小可怜”。我经常跟学员说：别指望树莓派能跑出RTX 3090的效果，但用好了，它能在边缘端干很多大事。
咱们重点看树莓派4B（目前最主流的选择）的规格：
| 硬件项 | 树莓派4B (2GB/4GB/8GB) | 对AI部署的影响 |
|---|---|---|
| CPU | BCM2711, 4核Cortex-A72 @ 1.5GHz | 推理主要靠CPU时，频率是瓶颈 |
| GPU | VideoCore VI (V3D) | 支持OpenGL ES 3.0，但AI加速有限 |
| 内存 | LPDDR4, 2/4/8GB可选 | 模型越大，内存越吃紧，4GB起步 |
| 网络 | 千兆以太网, WiFi 5 (802.11ac) | 传输视频流够用，但别指望低延迟 |
| USB | USB 3.0 x2, USB 2.0 x2 | 接摄像头或AI加速棒的关键接口 |
| GPIO | 40针, 支持I2C/SPI/UART | 控制外设，做机器人项目必备 |
| 功耗 | 约5V/3A (15W) | 比服务器省电太多，但散热要跟上 |
避坑指南： 我曾经用树莓派3B+跑YOLOv3-tiny，结果CPU直接飙到100%，风扇狂转，最后过热降频，推理速度还不如原来的一半。所以，散热片和风扇不是装饰品，是必需品。 另外，内存建议至少4GB，2GB跑轻量化模型都容易OOM（内存溢出）。
树莓派5代虽然性能更强（Cortex-A76 @ 2.4GHz），但价格和生态成熟度目前不如4B。我个人建议：初学者先用4B练手，等摸透了再升级。
1.3 为什么选择轻量化模型？——算力与精度的博弈
这个问题，说白了就是：树莓派那点算力，撑不起大模型。 你想想看，YOLOv8x有6800多万参数，在树莓派上跑一帧可能要十几秒，这还叫实时检测吗？
轻量化模型，就是专门为这种资源受限场景设计的。它们通过以下手段，在牺牲少量精度的前提下，大幅提升推理速度：
- 减少网络深度和宽度： 比如YOLOv8n只有v8l的1/10参数。
- 使用深度可分离卷积： 参数量和计算量都大幅下降。
- 剪枝与量化： 去掉冗余连接，用INT8代替FP32。
- 知识蒸馏： 让大模型教小模型，小模型学得更好。
我整理了一个对比表，让你直观感受差距：
| 模型版本 | 参数量 | FLOPs (G) | 树莓派4B推理速度 (FP32) | mAP (COCO) |
|---|---|---|---|---|
| YOLOv8n (nano) | 3.2M | 8.7 | ~8 FPS | 37.3 |
| YOLOv8s (small) | 11.2M | 28.6 | ~3 FPS | 44.9 |
| YOLOv8m (medium) | 25.9M | 78.9 | ~1 FPS | 50.2 |
| YOLOv8l (large) | 43.7M | 165.2 | <0.5 FPS | 52.9 |
关键结论： 在树莓派4B上，YOLOv8n是唯一能跑到接近实时（8 FPS）的版本。如果再配合INT8量化，可以冲到15-20 FPS。这就是我们选择轻量化模型的根本原因——在有限的硬件上，换取可用的实时性。
你可能会纠结：mAP从52.9掉到37.3，精度损失这么多，能用吗？ 我的经验是：看场景。 如果是检测远处的行人或车辆，v8n确实容易漏检。但如果只是检测近距离的物体，或者做简单的区域监控，37.3的mAP完全够用。我在一个智能门禁项目里，用的就是量化后的v8n，识别准确率超过95%，而且延迟只有60ms。
1.4 本章知识体系总览
为了让你对本章内容有个整体印象，我画了一张结构图。它把YOLO发展史、树莓派硬件、轻量化模型选择这三块串了起来，方便你后续复习时快速定位。
学习小技巧： 这张图你可以截图保存。后续每学完一章，试着把新知识往这张图上挂，慢慢就能形成自己的知识网络。我当年学嵌入式AI时，就是靠这种“画图法”把零散知识点串起来的。