8GB版Raspberry Pi4基于TensorFlow Lite运行YOLOV4系列相关问题咨询

1. 最优实现方案 #

• 第一步：优先选择预编译的TensorFlow Lite Runtime替代完整TensorFlow包，树莓派上体积占用小70%以上，运行效率更高，直接用pip安装对应arm架构的版本即可。
• 第二步：模型优先选择INT8全量化的YOLOv4-Tiny TFLite版本，相比FP32版本推理速度提升3~4倍，精度损失控制在5%以内，完全满足人数、日常物品检测需求。
• 第三步：输入预处理阶段直接调用OpenCV的VideoCapture对接树莓派摄像头，帧缩放、归一化操作尽量用numpy向量化运算实现，避免Python循环拖慢速度。
• 第四步：如果后续需要新增自定义物品检测，直接用公开的VOC或COCO对应类别的子集做微调，量化后导出为TFLite格式即可，不需要重新训练整个模型。

实操提示：可以开启树莓派的4核心性能模式，推理速度能再提升15%左右，不建议尝试GPU加速，树莓派的GPU对TFLite的兼容优化很差，实际运行速度比CPU还慢。

2. 许可证相关问题 #

你了解的说法基本正确：

• TensorFlow、TensorFlow Lite本身采用Apache 2.0许可证，使用权限比MIT许可证更宽松，允许修改、商用、闭源分发，仅需要保留原始许可证声明即可。
• 官方公开的YOLOv4、YOLOv4-Tiny预训练模型以及对应的TFLite转换代码，确实采用MIT许可证，教育、商用都没有限制，不需要额外申请授权。
  注意：如果使用第三方修改的YOLO版本，要注意对应的许可证说明，部分二次开发的版本会使用GPL等传染性许可证，商用需要额外合规评估。

3. 模型效果对比 #

8GB树莓派4的运行内存完全能承载所有主流轻量目标检测模型的运行，内存不会成为性能瓶颈，性能限制主要来自CPU算力。在该硬件的CPU环境下，你提到的模型及同类备选的实际表现如下：

• 你的需求优先选YOLOv4-Tiny全量化TFLite模型，速度足够，统计室内人数、检测椅子香蕉的精度完全够用，不需要额外调整。
• 如果后续需要更高的实时性，可以换YOLOv5n或者YOLOv8n的TFLite量化版本，适配成本很低，精度损失几乎感知不到。

内容的提问来源于stack exchange，提问作者Vishal Kumar