kit mâm xôi pi 5 ai

Oct 27, 2025 Để lại lời nhắn

raspberry pi 5 ai kit

Khi nào nên sử dụng Bộ công cụ AI Raspberry Pi 5

 

Bộ công cụ AI Raspberry Pi 5 mang lại tốc độ 82,4 FPS khi phát hiện đối tượng YOLOv8 trong khi chỉ tiêu thụ 9,7W-nhưng chỉ khi bạn đang chạy các mô hình thị giác thông qua quy trình máy ảnh. Tính đặc hiệu đó quan trọng hơn con số 13 TOPS ấn tượng trên hộp.

Tôi đã xem hàng chục nhà phát triển mua bộ công cụ trị giá 70 đô la này với mong muốn tăng tốc ChatGPT, chỉ để phát hiện ra rằng nó không thể chạm vào các mô hình ngôn ngữ. Sự nhầm lẫn là điều dễ hiểu: "AI Kit" nghe có vẻ phổ biến. Thực tế là bộ xử lý Hailo{4}}8L chỉ tương thích với các tác vụ máy học-liên quan đến nguồn cấp dữ liệu do mô-đun máy ảnh ghi lại-không phải webcam, không phải camera IP, cụ thể là mô-đun máy ảnh Raspberry Pi.

Đây không phải là một hạn chế; đó là chuyên môn. Suy luận thị giác máy tính ở biên đòi hỏi kiến ​​trúc khác về cơ bản so với suy luận LLM. Kiến trúc luồng dữ liệu của Hailo-8L vượt trội ở cái trước trong khi hoàn toàn sai ở cái sau.


Khoảng cách hiệu suất thực sự: Những con số thực sự quan trọng


Bỏ qua việc tiếp thị TOPS. CPU của Raspberry Pi 5 chạy tính năng phát hiện đối tượng YOLOv8 ở tốc độ 0,45 FPS với mức sử dụng CPU 100%. Thêm Bộ công cụ AI và bạn đạt tốc độ 82,4 FPS ở mức CPU 15{10}30%. Đó không phải là cải tiến gấp đôi - đó là hệ số nhân 183 lần.

Nhưng bối cảnh định hình những con số này một cách đáng kể. Ở tốc độ PCIe Gen 3 với batch size 8, mẫu YOLOv8 tương tự đạt 120 FPS. Giảm xuống Gen 2 và bạn đang ở mức 40 FPS. Tăng kích thước lô lên 32 và hiệu suất giảm xuống 54 FPS.

Nút thắt cổ chai PCIe là có thật. Một làn Gen 3 duy nhất cung cấp 8 Gbit/s-đủ cho hầu hết các nhiệm vụ về tầm nhìn nhưng có mức trần cứng. Thiết lập dựa trên mô-đun-yêu cầu tất cả quyền truy cập bộ nhớ phải đi qua giao diện PCIe, không giống như NPU được tích hợp vào SoC chia sẻ các kênh bộ nhớ tốc độ cao-với CPU.

Đối với phối cảnh: Ước tính tư thế chạy ở tốc độ 66,1 FPS với mức tiêu thụ điện năng là 9,7W trên tổng mức tiêu thụ hệ thống. Tốc độ này nhanh hơn 200 lần so với suy luận chỉ có CPU{4}}trong khi sử dụng ít năng lượng hơn. Toán học sẽ kiểm tra việc triển khai chạy bằng pin.

Phần cứng cạnh tranh: Cây quyết định trị giá 70 USD

Coral TPU của Google cung cấp 4 TOPS với hiệu suất 2 TOPS/W trong một thiết kế chip 6-năm tuổi. Hailo-8L cung cấp 13 TOPS với tốc độ 3-4 TOPS/W. Trên giấy tờ, Hailo thắng.

Nhưng Coral có tích hợp TensorFlow Lite và "chỉ hoạt động". Bộ tăng tốc USB của Coral kết nối qua USB tiêu chuẩn, tích hợp dễ dàng với các hệ thống hiện có và hỗ trợ các mẫu vừa phải như MobileNet v2 với mức tiêu thụ điện năng khoảng 2 watt. Không cần cấu hình PCIe.

Hailo-8 (26 TOPS) có tồn tại nhưng có giá 150-200 USD. Ở mức giá đó, bạn đang so sánh với các giải pháp mang lại sự linh hoạt hơn. Điểm hấp dẫn là 8L ở mức 70 đô la - nếu trường hợp sử dụng của bạn phù hợp.

Pineboards cung cấp các lựa chọn thay thế: Dual M.2 HAT kết hợp Hailo-8L với bộ lưu trữ NVMe hoặc cấu hình Coral Edge để tiếp tục phát triển trên các dự án Coral hiện có. Những điều này giải quyết giới hạn "bộ tăng tốc hoặc bộ lưu trữ" của bộ sản phẩm chính thức.


Trường hợp sử dụng số 1: Giám sát và bảo mật theo thời gian thực-


Camera an ninh tạo ra các luồng dữ liệu không ngừng. Bộ AI xử lý cảnh quay an ninh 1080p phát hiện người, ô tô và gói hàng mà không làm rơi khung hình. Hiệu suất tăng gấp 13 lần đó làm cho camera an ninh thực sự khả thi.

Dự án của Jeff Geerling đã kết hợp nhiều NPU Hailo-đạt tổng cộng 51 TOPS bằng cách kết nối Hailo-8L, Hailo-8 và Coral TPU thông qua bộ chuyển mạch PCIe. Quá mức? Đúng. Nhưng nó thể hiện các kịch bản nhiều camera trên quy mô lớn.

Việc triển khai thực sự có vẻ khác. Hệ thống giám sát trạm thu phí đã sử dụng thị giác máy tính Edge Impulse với Mô-đun máy ảnh rộng để phát hiện và đếm các phương tiện trên nhiều làn đường cùng một lúc. Ống kính rộng chụp được những vùng rộng hơn; Bộ công cụ AI cung cấp khoảng trống xử lý.

Vấn đề tích hợp NVR trên tàu khu trục ở đây. Hailo đã chính thức được tích hợp vào khung Frigate bắt đầu từ phiên bản 0.16.0, khiến nó trở thành một-thay thế cho các thiết lập Coral cũ trong các hệ thống giám sát hiện có.

Hạn chế nghiêm trọng: Bộ AI và AI HAT+ không hoạt động nếu có phiên bản không khớp giữa gói phần mềm Hailo và trình điều khiển thiết bị. Việc triển khai sản xuất cần có chiến lược khóa phiên bản-.


Trường hợp sử dụng số 2: Kiểm soát quy trình công nghiệp


Hệ thống an toàn xây dựng có thể phát hiện con người ở phía trước, bên cạnh và phía sau các phương tiện xây dựng. Camera điều khiển bằng AI-thay thế nhiều người quan sát và theo dõi vị trí của nhân viên trong thời gian thực.

Ưu điểm là tính song song: AI xử lý đồng thời nhiều vùng nguy hiểm trong khi con người tập trung tuần tự một cách tự nhiên. Thời gian phản hồi để tạo cảnh báo quan trọng hơn độ chính xác hoàn hảo.

Kiểm soát chất lượng sản xuất cũng tuân theo logic tương tự. Camera của dây chuyền sản xuất đang kiểm tra độ chính xác của quá trình lắp ráp cần tốc độ khung hình ổn định chứ không phải hiệu suất cao nhất. Bộ AI duy trì tốc độ 82,4 FPS khi phát hiện đối tượng-đủ cho hầu hết tốc độ của dây chuyền sản xuất trong khi vẫn để lại dung lượng CPU cho hệ thống điều khiển.

Kích thước nhỏ gọn cho phép tích hợp tại các điểm dây chuyền sản xuất hiện có. Hệ thống mở rộng quy mô bằng cách thêm camera thay vì thiết kế lại cơ sở hạ tầng.

Nhưng việc triển khai công nghiệp đòi hỏi nhiều hơn thế. Nên tránh sử dụng thẻ SD cho các thiết bị sản xuất do độ bền ghi hạn chế và độ tin cậy kém dưới nguồn điện không đáng tin cậy. Cần có eMMC cấp công nghiệp hoặc ổ cứng.


Trường hợp sử dụng số 3: Robot và hệ thống tự trị


Một nguyên mẫu robot tự động dưới nước đã sử dụng Bộ công cụ AI để phát hiện vật thể với mô hình YOLOv8 được đào tạo trên bộ dữ liệu tùy chỉnh, phối hợp với động cơ BLDC được điều khiển thông qua trình điều khiển PCA9685 PCA trên giao diện I2C.

Thách thức: tích hợp SDK Hailo với các quy trình OpenCV hiện có. Các nhà phát triển đã quen với việc triển khai PyTorch+Ultralytics 8 dòng trên GPU PC phải đối mặt với quá trình học tập khó khăn hơn với chuỗi công cụ của Hailo. Chuyển đổi mô hình không tự động.

Thuật toán điều hướng tiêu tốn chu kỳ CPU. Hệ thống phát hiện bàn tay của Mario chạy đồng thời ba mô hình-phát hiện bàn tay và các mốc{2}}duy trì 26-28 FPS với một tay được phát hiện, 22-25 FPS với hai tay. Ngân sách xử lý đó dành chỗ cho việc lập kế hoạch đường đi và điều khiển động cơ.

Robot phân phối thông minh minh họa cho sự phù hợp: xử lý hình ảnh liên tục trong khi CPU xử lý logic điều hướng, giao tiếp và cây quyết định. Hiệu suất 3-4 TOPS/W giúp kéo dài tuổi thọ pin một cách đáng kể khi triển khai trên thiết bị di động.

raspberry pi 5 ai kit


Trường hợp sử dụng số 4: Phân tích khách hàng và bán lẻ


Bản demo quản lý siêu thị bán lẻ chạy YOLOv8n trên Bộ công cụ AI để phát hiện sản phẩm trên kệ trong khi EfficiencyNet chạy trên CPU để phân loại. Phân công lao động: NPU xử lý việc phát hiện (sản phẩm ở đâu?), CPU xử lý việc phân loại (sản phẩm nào?).

Ước tính tư thế bổ sung thêm phân tích hành vi của khách hàng. 66.1 Hiệu suất ước tính tư thế FPS cho phép theo dõi chuyển động của khách hàng qua các khu vực cửa hàng, phân tích thời gian ở và phát hiện hàng đợi mà không cần nhận dạng cá nhân.

Vấn đề riêng tư ở đây. -Việc xử lý trên thiết bị có nghĩa là video không bao giờ rời khỏi vị trí. Các mô hình được đào tạo về phát hiện "người" chung không lưu trữ dữ liệu sinh trắc học-chỉ lưu trữ siêu dữ liệu không gian.

Dự án "Peeper Pam" đã phát hiện những người ngồi phía sau bạn tại bàn làm việc, bỏ qua ghế, bàn và cây cối trong khung. Độ tin cậy phát hiện được hiển thị trên đồng hồ analog: 0 cho "không có người", 1 cho "một số người có mặt", với mức độ không chắc chắn ở giữa.

Logic tương tự đó cũng áp dụng cho việc giám sát tỷ lệ sử dụng phòng, quản lý hàng đợi và sử dụng không gian-ở bất kỳ nơi nào bạn cần "có người hiện diện không?" mà không quan tâm "người nào?"


Trường hợp sử dụng số 5: Triển khai mô hình tùy chỉnh (Có cảnh báo)


Trình biên dịch luồng dữ liệu Hailo chuyển các mô hình từ khung ML tiêu chuẩn sang định dạng thực thi Hailo, sử dụng chương trình đào tạo nhận thức{0}}lượng tử hóa để thu nhỏ mô hình trong khi vẫn duy trì độ chính xác.

Quy trình làm việc: đào tạo trong PyTorch hoặc TensorFlow, xuất sang ONNX, chuyển đổi sang HEF (Định dạng thực thi Hailo) bằng DFC, triển khai sang Pi. Có hướng dẫn về quy trình đào tạo hoàn chỉnh-đến{2}}triển khai với các mô hình YOLOv8n.

Nhưng khả năng tương thích của mô hình không phải là phổ biến. Các mô hình được biên soạn cho Hailo được tối ưu hóa riêng cho kiến ​​trúc chip-có nghĩa là một số hoạt động sẽ không ánh xạ được. Vườn thú mô hình cung cấp các-ví dụ được biên soạn sẵn; kiến trúc tùy chỉnh yêu cầu thử nghiệm.

API Hailo Python hiện cho phép chạy suy luận trên Hailo{2}}8L bằng Python, với các ví dụ có sẵn cho cả tập lệnh độc lập và tích hợp với piCamera2. Điều này làm giảm rào cản so với quy trình làm việc chỉ dành cho GStreamer trước đó.

Edge Impulse cung cấp một con đường khác. Nền tảng của họ xử lý quá trình đào tạo mô hình và quy trình chuyển đổi Hailo, đưa ra các mô hình sẵn sàng-để{2}}triển khai. Đối với các nhóm không có kiến ​​thức chuyên môn về ML, phương pháp được quản lý này giúp giảm thiểu lỗi dùng thử-và-.


Khi nào KHÔNG nên sử dụng Bộ AI


Mô hình ngôn ngữ lớn:Bộ xử lý Hailo-8L không thể chạy LLM. Nó chỉ tương thích với các tác vụ máy học liên quan đến nguồn cấp dữ liệu mô-đun máy ảnh. Không có mức độ tối ưu hóa nào thay đổi giới hạn kiến ​​trúc này.

Chạy LLM trên Pi 5 yêu cầu CPU suy luận với các mô hình có tham số 7B. Gemma2-2B đạt được hiệu suất khá khi sử dụng RAM 3 GB; DeepSeek-r1:8b chạy chậm. Bộ công cụ AI không tăng tốc bất kỳ điều gì trong số này.

AI sáng tạo:Tạo văn bản, tổng hợp hình ảnh, tạo âm thanh-các quy trình công việc này không ánh xạ tới kiến ​​trúc luồng dữ liệu của Hailo-8L. Hailo 10H trong tương lai với 40 TOPS và RAM DDR4 8GB nhắm đến khối lượng công việc AI tổng quát, nhưng chưa có sẵn cho Pi 5.

Nhiệm vụ không có-Camera Vision:Việc xử lý hình ảnh tĩnh từ tệp vẫn hoạt động nhưng Bộ AI chỉ hoạt động với các mô-đun máy ảnh Raspberry Pi-không phải với webcam hoặc camera IP. Khả năng tương thích với máy ảnh của bên thứ ba-yêu cầu hỗ trợ libCamera.

Nhu cầu lưu trữ:Khe cắm M.2 của bộ sản phẩm chính thức bị mô-đun Hailo chiếm dụng, ngăn cản việc gắn SSD NVMe. Nếu bạn cần cả khả năng tăng tốc AI và lưu trữ nhanh, thì cần có HAT M.2 kép của bên thứ ba.

Yêu cầu tích hợp chặt chẽ:Tính đến tháng 3 năm 2025, ứng dụng rpicam-là phần mềm duy nhất trong bộ phần mềm của Raspberry Pi được tích hợp sâu với trình tăng tốc Hailo. Quyền truy cập có lập trình từ các tập lệnh Python thông qua piCamera2 đã có sẵn sau này. Việc áp dụng sớm có nghĩa là tính linh hoạt của API bị hạn chế.


Khung quyết định


Hãy hỏi năm câu hỏi sau:

1. Tầm nhìn nhiệm vụ AI của bạn có-dựa trên không?

Có, với mô-đun máy ảnh → AI Kit khả thi

Không, hoặc xử lý dựa trên tệp-→ xem xét lại

Xử lý văn bản/âm thanh → công cụ sai

2. Mục tiêu hiệu suất của bạn là gì?

30+ FPS thời gian thực-→ Cần có bộ AI

5-10 FPS chấp nhận được → CPU có thể đủ

<1 FPS tolerable → don't spend $70

3. Bạn có cần các mẫu tùy chỉnh không?

Có, và sẵn sàng học DFC → có thể quản lý được

Có, nhưng không có chuyên môn về ML → Lộ trình Edge Impulse

Không, chỉ sử dụng-được đào tạo trước → kịch bản lý tưởng

4. Quy mô triển khai của bạn là bao nhiêu?

1-10 đơn vị để tạo mẫu → phù hợp hoàn hảo

100+ đơn vị sản xuất → hệ số cung cấp, nhiệt, độ tin cậy

Công nghiệp/thương mại → cần các biến thể Pi công nghiệp, không phải bảng bán lẻ

5. Bạn có thể chấp nhận những ràng buộc đó không?

Yêu cầu mô-đun máy ảnh

Quản lý phụ thuộc phiên bản

Không khởi động được NVMe nếu không có M.2 HAT kép

Nhiệt độ hoạt động 0-50 độ

Trần băng thông PCIe

Nếu bạn trả lời thuận lợi cho các câu hỏi 1, 2 và 5 và có chiến lược cho câu hỏi 3 và 4 thì Bộ công cụ AI mang lại giá trị đặc biệt ở mức 70 USD.


Kiểm tra thực tế thiết lập


Quá trình cài đặt phần cứng chỉ mất vài phút: cài đặt hệ thống làm mát, gắn các giá đỡ, nhấn đầu cắm GPIO, kết nối cáp ribbon với cổng PCIe, cố định AI Kit bằng vít.

Cấu hình phần mềm đòi hỏi phải cẩn thận hơn:

sudo apt update và sudo apt full-nâng cấp sudo rpi-eeprom-cập nhật sudo raspi-config # Bật PCIe Gen 3 trong Tùy chọn nâng cao sudo apt install hailo-all sudo khởi động lại hailortcli fw-kiểm soát nhận dạng # Xác minh cài đặt

Phiên bản không khớp giữa gói phần mềm Hailo và trình điều khiển thiết bị gây ra lỗi hệ thống hoàn toàn. Kiểm tra kỹ lưỡng trước khi triển khai.

Để có hiệu suất tốt nhất, nên sử dụng Bộ AI với Raspberry Pi Active Cooler. Nếu không làm mát, bo mạch RPi5 cơ bản sẽ quá nóng khi sử dụng Bộ AI.

Quản lý nhiệt không phải là tùy chọn-mà nó cần thiết để duy trì hiệu suất.

 

raspberry pi 5 ai kit


Tính toán giá trị $70


Những gì bạn nhận được:

13 suy luận thần kinh TOPS

Hiệu suất hơn 180 lần so với CPU-

Hiệu suất 3-4 TOPS/W

Hỗ trợ ứng dụng rpicam-tích hợp

miếng đệm nhiệt được trang bị sẵn

Tất cả phần cứng gắn

Những gì bạn không nhận được:

tăng tốc LLM

Tính toán AI có mục đích chung

Tính đơn giản của cắm{0}}và-chạy

Mở rộng lưu trữ

Khả năng tương thích của máy ảnh phổ thông

Với 70 đô la, thật khó để tìm ra cách hợp lý hơn để nhúng ngón chân của bạn vào AI tiên tiến. Giá thấp hơn các gói Coral TPU trong khi mang lại gấp 3 lần TOPS.

Nhưng giá trị phụ thuộc hoàn toàn vào việc căn chỉnh ca sử dụng. Đối với suy luận tầm nhìn ở rìa, nó thật đặc biệt. Đối với mọi thứ khác, nó không liên quan.


Câu hỏi thường gặp


Tôi có thể sử dụng Bộ công cụ AI với Raspberry Pi 4 hoặc các mẫu cũ hơn không?

Không. Bộ AI yêu cầu Raspberry Pi 5 vì nó cần hỗ trợ PCIe gốc. Các mẫu trước đây hoàn toàn thiếu giao diện PCIe. Không có cách giải quyết hoặc bộ chuyển đổi nào có thể thay đổi điều này.

Bộ công cụ AI có tăng tốc mã phát hiện đối tượng được viết bằng Python bằng OpenCV của tôi không?

Một phần. API Hailo Python cho phép chạy suy luận trên Hailo-8L bằng Python, nhưng bạn sẽ cần chuyển đổi mô hình của mình sang định dạng HEF và sửa đổi mã của mình để sử dụng API Hailo thay vì lệnh gọi suy luận OpenCV tiêu chuẩn. Nó không phải là một sự thay thế thả trong minh bạch.

Kích thước lô ảnh hưởng đến hiệu suất như thế nào?

Với YOLOv8 ở độ phân giải 640x640: batch size 2 đạt 80 FPS, batch size 4 đạt 100 FPS, batch size 8 đạt đỉnh ở 120 FPS. Ngoài ra, hiệu suất còn giảm: lô 16 giảm xuống 100 FPS và lô 32 giảm xuống 54 FPS do bão hòa băng thông PCIe.

Tôi có thể khởi động từ NVMe và sử dụng AI Kit cùng lúc không?

Không chỉ với bộ chính thức. Khe M.2 được chiếm bởi mô-đun Hailo. Bảng thông và các nhà cung cấp tương tự cung cấp HAT M.2 kép cung cấp cả khe tăng tốc NVMe và AI, giải quyết hạn chế này với chi phí bổ sung.

Hỗ trợ của Google Coral có bị phản đối không?

Không chính thức bị ngừng sử dụng nhưng gói phần mềm của Coral chưa được duy trì tích cực, trong đó PyCoral yêu cầu Python 3.9. Google dường như đã rời bỏ dự án Coral để hỗ trợ sự sống sau các vấn đề về nguồn cung trong thời kỳ đại dịch. Phần cứng Coral hiện tại vẫn hoạt động nhưng chưa chắc chắn về khả năng hỗ trợ trong tương lai.

Tôi thực sự cần làm mát gì?

Raspberry Pi khuyên bạn nên sử dụng AI Kit với Active Cooler để có hiệu suất tốt nhất. Bộ tản nhiệt thụ động có thể đủ để sử dụng không liên tục, nhưng khối lượng công việc suy luận kéo dài sẽ giảm tốc nếu không có hoạt động làm mát chủ động. Ngân sách cho Bộ làm mát hoạt động trị giá $5 cùng với Bộ công cụ AI.

Tôi có thể chạy nhiều luồng camera cùng lúc không?

Đúng. Có thể chạy nhiều mạng thần kinh trên một camera hoặc một hoặc nhiều mạng thần kinh với hai camera cùng một lúc. Thang đo hiệu suất dựa trên độ phức tạp của mô hình và tính khả dụng của băng thông PCIe.


Kết luận trung thực


Bộ công cụ AI Raspberry Pi 5 là một công cụ chuyên dụng vượt trội trong miền của nó. Để suy luận tầm nhìn bằng các mô-đun máy ảnh, nó biến Pi 5 từ "có khả năng về mặt kỹ thuật" thành "thực tế thực tế" cho các ứng dụng sản xuất.

Đây không phải là một công cụ tăng tốc AI có mục đích chung. Nó sẽ không chạy ChatGPT. Nó sẽ không tạo ra hình ảnh. Nó sẽ không giúp tổng hợp âm thanh. Chấp nhận những ràng buộc này và nó mang lại giá trị đặc biệt. Chiến đấu chống lại họ và bạn sẽ lãng phí 70 đô la.

Quyết định không phải là "Bộ AI có tốt không?"-mà là "Bộ AI có phù hợp với ứng dụng cụ thể này không?" Hãy trả lời một cách trung thực và bạn sẽ biết có nên mua hay không.

 


 

Bài học chính


AI Kit mang lại 82,4 FPS trên YOLOv8 so với CPU 0,45 FPS-chỉ-nhưng chỉ dành cho các tác vụ thị giác dựa trên máy ảnh-

Không tương thích với LLM, AI tổng hợp hoặc quy trình làm việc không-thị giác máy ảnh

Yêu cầu Raspberry Pi 5 với mô-đun máy ảnh; sẽ không hoạt động với Pi 4 hoặc webcam

Cấu hình PCIe Gen 3 và khả năng làm mát tích cực cần thiết để có hiệu suất tối ưu

Quản lý phụ thuộc phiên bản quan trọng; sự không khớp gây ra lỗi hệ thống hoàn chỉnh

Tốt nhất cho: camera an ninh, giám sát công nghiệp, robot, phân tích bán lẻ

Tránh dùng cho: mô hình ngôn ngữ, tạo hình ảnh, xử lý âm thanh, thử nghiệm AI nói chung

 



Nguồn dữ liệu


Tài liệu về Raspberry Pi - Phần mềm AI Kit: https://www.raspberrypi.com/documentation/computers/ai.html

magazin Mehatronika - Đánh giá bộ công cụ AI Raspberry Pi: https://magazinmehatronika.com/en/raspberry-pi-ai-kit-review/

Seeed Studio - Điểm chuẩn trên RPi5 & CM4: https://forums.raspberrypi.com/viewtopic.php?t=373867

Jeff Geerling - Thử nghiệm Bộ công cụ AI của Raspberry Pi: https://www.jeffgeerling.com/blog/2024/testing-raspberry-pis-ai-kit-13-tops-70

Nhà phát triển XDA - thực hành Raspberry Pi AI Kit-trên tay: https://www.xda-developers.com/raspberry-pi-ai-kit-thực hành-trên/

Diễn đàn Raspberry Pi - thảo luận về AI Kit: https://forums.raspberrypi.com/

Diễn đàn cộng đồng Hailo: https://community.hailo.ai/

GitHub - hailo-ai/hailo-rpi5-ví dụ: https://github.com/hailo-ai/hailo-rpi5-examples