Развёртывание AI на Raspberry Pi с аппаратным ускорением

Raspberry Pi 5 значительно быстрее предшественника — 2–3x прирост CPU. Но для real-time инференса детекции, классификации или генерации текста аппаратный ускоритель часто обязателен. Мы занимаемся развёртыванием AI на Pi уже более 5 лет и помогли десяткам проектов перейти от прототипа к production. Например, клиент из электронной промышленности хотел детектировать царапины на плате в реальном времени. Без ускорителя YOLOv8n выдавал 15 FPS — недостаточно для конвейера 30 см/с. После оптимизации с Hailo-8 и квантизацией INT8 получили стабильные 110 FPS. Согласно Wikipedia, Edge AI — это подход, который позволяет обрабатывать данные локально без задержек, что критично для промышленных задач. Ниже — практические рекомендации.

Какой ускоритель выбрать для Raspberry Pi 5?

На рынке три основных варианта:

Hailo-8 — выбор сегодня: 26 TOPS при мизерном энергопотреблении. В наших проектах он даёт 120+ FPS на YOLOv8n. Coral — бюджетный вариант для готовых TFLite-моделей. Intel NCS2 встречается только в legacy-системах.

Как Hailo-8 влияет на производительность?

Разница в 4–5 раз. Для real-time задач (видеонаблюдение, робототехника) ускоритель обязателен. Экономия бюджета при таком подходе может достигать 40% по сравнению с облачными решениями.

Стек без ускорителя (Pure Pi 5)

Если задача не срочная, хватает CPU с TFLite + XNNPACK (ARM Neon). Для NLP — Llama.cpp: Llama 3.2 1B выдаёт 8–12 токенов/с. Этого хватает для offline-ассистента или простой классификации. Для CV-задач можно использовать MobileNetV3-SSD: 8–10 FPS на разрешении 320x320. Но если требуется latency < 100 мс, без Hailo-8 не обойтись.

Как мы оптимизируем модели и разворачиваем AI

Из нашей практики: кейс с дефектоскопией

Клиент — производитель электроники. Нужно детектировать царапины на плате в реальном времени. Проблемы: модель YOLOv8n тяжелая для Pi 5 (15 FPS), тепловыделение. Мы:

1. Провели квантизацию INT8 с помощью Hailo SDK — FPS вырос до 110.
2. Настроили пайплайн через GStreamer, снизив latency p99 до 30 мс.
3. Добавили троттлинг CPU, чтобы избежать перегрева. Результат: стабильные 30 FPS на конвейере, отказоустойчивость 99.9%.

Процесс работы

Что входит в работу?

• Подбор аппаратного ускорителя и комплектующих.
• Оптимизация модели (квантизация, конвертация) под конкретный SDK.
• Настройка системы (ОС, драйверы, библиотеки).
• Интеграция инференс-пайплайна (GStreamer, OpenCV, etc.).
• Тестирование производительности и стресс-тест.
• Документация и инструкции по эксплуатации.
• Обучение вашей команды (до 2 часов).
• Поддержка после внедрения (1 месяц).

Типичные ошибки при развёртывании AI на Pi

• Игнорирование тепловыделения — троттлинг снижает FPS.
• Использование FP32 модели вместо INT8 — потеря производительности.
• Неоптимизированный пайплайн ввода/вывода (GStreamer обязателен).
• Неправильный выбор модели: слишком тяжёлые архитектуры (YOLOv8m) дают 5 FPS даже с ускорителем из-за ограничения пропускной способности памяти.
• Отсутствие мониторинга температуры — при 85°C Pi сбрасывает частоту.

Почему стоит доверить развёртывание нам?

У нас более 5 лет опыта в edge AI и более 50 успешных проектов на Raspberry Pi. Предоставляем гарантию на производительность (документально). Получите консультацию — напишите нам, оценим ваш проект за 1 день. Закажите оценку вашего проекта. Мы поможем подобрать ускоритель и оптимизировать модель под ваши требования.

Edge AI — это точка входа в умные устройства без облака.

Edge AI и оптимизация: деплой моделей без облака

Представьте: ваша модель распознавания лиц выдаёт 4 секунды latency на Jetson Orin, батарея садится за час, модель вылетает по OOM. Мы — команда инженеров по Edge AI с 5+ лет опыта — оптимизировали более 150 моделей для граничных устройств. Без профилирования и правильного выбора квантизации или дистилляции проект обречён. Разрыв между исследовательским кодом и edge-деплоем — отдельная инженерная дисциплина, мы помогаем её освоить за 2–16 недель под ключ. Услуги Edge AI и оптимизация моделей — это не просто экспорт, а системная работа с железом.

Почему просто «экспортировать модель» не работает

PyTorch-модель с float32 и batch_size=32 не готова к edge. Типичные проблемы:

• ResNet-50 в fp32 занимает 98 MB, inference на Cortex-A78 — 380 мс. После INT8-квантизации torch.ao.quantization — 24 MB, 95 мс. Экспорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. С XNNPACK делегатом — 14 fps.
• Transformer-энкодер на мобильном CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/инференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не в выборе «квантизировать или нет» — правильный путь определяется устройством, задачей и допустимой деградацией метрики. Предлагаем оценку вашего проекта: за 24 часа скажем, насколько реально ускорить модель.

Какой метод квантизации выбрать для вашей задачи?

PTQ (Post-Training Quantization) — быстрый путь. Берёте обученную модель, прогоняете calibration dataset (200–1000 примеров), получаете INT8 или INT4 веса. Инструменты: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградация точности: 0.5–2% на классификации. Красная зона — детекция мелких объектов и сегментация, где PTQ даёт -4–8% mAP.

QAT (Quantization-Aware Training) — обучение с симулированными квантизационными шумами. Дороже (переобучение), но деградация 0.1–0.5%. Оправдано, когда PTQ неприемлем. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ лучше сохраняет качество при 4-bit квантизации. llm-compressor от Neural Magic или autoawq — основные библиотеки.

Экономия от выбора правильного метода: до 350 000 ₽ в год на облачных инстансах за счёт снижения latency и энергопотребления. Стоимость проекта рассчитывается индивидуально — диапазон от 100 000 до 500 000 ₽ в зависимости от сложности модели.

Прунинг и дистилляция

Структурный прунинг удаляет каналы или слои. torch.nn.utils.prune — базовый инструмент. Для transformer — прунинг attention heads (LTP, movement pruning). Результат: ResNet-50 после удаления 40% каналов с fine-tuning — -35% размера, -28% latency, -1.2% top-1 accuracy.

Knowledge distillation — обучаем маленькую student имитировать большую teacher. Классика через KLDivLoss на soft labels. Feature distillation на промежуточных слоях эффективнее. Hugging Face DistilBERT: 66M vs 110M параметров, -40% latency, -3% на GLUE. Согласно Wikipedia, это техника сжатия модели.

Комбинированный подход: дистилляция → прунинг → QAT. Даёт максимальный эффект на ограниченном железе. Экономия на облачных вычислениях достигает 70% — мы фиксировали такую у нескольких клиентов.

Целевые платформы и инструменты

TensorRT — главный инструмент для NVIDIA edge. TRT строит граф с fusion операторов, выбирает оптимальные ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 даёт 78 fps против 22 fps в fp16 PyTorch.

Практический кейс: детекция дефектов на производственной линии

Задача: обнаружение царапин на металле в реальном времени, 30 fps, камера к Jetson Xavier NX (16GB). Исходная модель YOLOv8l mAP50 0.91, inference на сервере 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не подходит.

Шаги оптимизации:

1. Переход на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Экспорт в TensorRT FP16 через yolo export format=engine half=True — 31 мс (32 fps)
3. INT8 calibration на 500 кадрах — 22 мс (45 fps), mAP50 0.879

Итого: деградация 3.5% при 5× ускорении. Клиент получил engine и документацию. Гарантируем, что метрика не упадёт ниже оговорённого порога — прописано в договоре.

Что входит в работу

• Отчёт по профилированию модели на целевом устройстве (latency по слоям, узкие места)
• Выбор и обоснование методов оптимизации (quantization / pruning / distillation)
• Оптимизированная модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфиги для воспроизведения (скрипты, Docker-образ, инструкция)
• Тестирование на реальном устройстве (не менее 10 000 инференсов)
• Обучение вашей команды (2 часа онлайн)
• Поддержка 1 месяц после передачи

Как заказать оптимизацию модели

1. Оставьте заявку на сайте или свяжитесь с нами любым удобным способом.
2. Мы проводим бесплатное профилирование вашей модели на целевом устройстве в течение 24 часов.
3. Готовим план оптимизации с оценкой trade-off (скорость vs качество).
4. Вы утверждаете план — мы приступаем к работе.
5. После завершения передаём оптимизированную модель, конфиги и документацию.
6. Проводим обучение вашей команды и предоставляем месячную поддержку.

Сроки: оптимизация готовой модели — 2–4 недели. Разработка с нуля под edge — 6–16 недель.

Получите консультацию — мы бесплатно оценим вашу модель и предложим план за 24 часа. Закажите бесплатное профилирование прямо сейчас.