例の人検出器をRaspberry Pi 4で動かしてみた

前回の記事(人の検出に特化したPINTOさんの物体検出がなかなかすごいので動かしてみた: EeePCの軌跡)で紹介した検出器がCPUでも軽々と動くので、もしかしたらRaspberry Pi 4でもわりかし快適に動いてくれるんじゃないか？と思ったので、早速試してみました。

まずはRaspberry Pi 4ですが、既存のものを使います。
ですが、入っていたPythonが3.7と古かったので、これを以下の記事を参考に、3.10に上げておきました。

RaspberryPi4BにPython3.10をインストールした #Python3 - Qiita

続いて、

pip3 install numpy opencv-python opencv-contrib-python onnxruntime

とコマンドを打ち込んで、必要なライブラリを一気に入れます。

その状態で、前回記事のコード(demo_goldyolo_onnx.py)やモデル(gold_yolo_n_body_head_hand_post_0461_0.4428_1x3x480x640.onnx)などはそのままRaspberry Piに持ってきました。

で、以下のコマンド、

python demo_goldyolo_onnx.py

を入れて実行。

そうそう、Raspberry Pi 4は例のモバイルモニターにつなぎました。
で、実行するとこれがめちゃくちゃ遅い。推論速度は表示上、1枚当たりだいたい13000ms、つまり13秒です。

見事なくらいカクカクで、確かに10秒以上遅れて表示されます。
いくらRaspberry Piだからといって、ちょっと遅すぎじゃね？
と思ったので、コードを少し見直しました。

まず、303～309行目、

          cv2.rectangle(

                debug_image,
                (box[0], box[1]),
                (box[2], box[3]),
                (255,255,255),
                2,
            )

この部分を、すべてコメントアウトします。

さらに、349行目、

        video_writer.write(debug_image)

もコメントアウト。

これで”output.mp4”が出力されなくなりますが、どのみち遅すぎてどうしようもない動画しか出てこないため、切った方がマシです。

(12/3 追記)

もう一か所、変えてました。235行目で、モデルを低解像度のものに変えてます。

        default='gold_yolo_n_body_head_hand_post_0461_0.4428_1x3x192x320.onnx',
        #default='gold_yolo_n_body_head_hand_post_0461_0.4428_1x3x480x640.onnx',

もちろん、同じフォルダに「gold_yolo_n_body_head_hand_post_0461_0.4428_1x3x192x320.onnx」を入れるのを忘れないよう。

たったこれだけの工夫で、13000 → 260msと大幅に速くなりました。えっ、こんなに変わるものなの？

ご覧の通り、Raspberry Pi 4でもまあまあの速度で推論されます。これなら、人が立ち入ったかどうか程度の用途ならば使えそうです。
欲を言えば、倍速くなったと言われるRaspberry Pi 5で試してみたいですよね。出たら、すぐに買います。

てことで、Raspberry Pi 4でも用途を限れば使えそうな感じです。

(追記 12/3)

会社のRaspberry Pi 3B+でも試してみました。ほとんど推論速度は変わりませんでした。ということは、CPU以外のところで律速されてる？可能性ありです。

ラズベリーパイ 4 コンピューターモデルB 8GB Raspberry Pi 4 ラズパイ 4 TELEC認定取得済み (Raspberry Pi 4 8GB)