MiniPC（Ubuntu）にYOLOv8を導入してエッジAI推論環境を構築する手順【Node-RED/MQTT連携付き】

🧩 はじめに

MiniPCを使って、YOLOv8による物体検出をローカルで行い、
結果をMQTT経由でNode-REDダッシュボードへ送信・可視化するまでの手順をまとめました。

この構成では以下のように役割を分けています：

機器	役割
MiniPC#2	エッジ推論端末（YOLO実行）
MiniPC#1	MQTTブローカー（Mosquitto）＋ Node-RED可視化サーバー

環境:

Ubuntu 22.04 LTS
Python 3.12
YOLOv8 (ultralytics)
MQTT (paho-mqtt)
Node-RED (MiniPC#1)
MiniPC#1はLAN内でIPアドレスは192.168.0.101想定

🏗️ 仮想環境の作成とPython準備

bash

sudo apt update
sudo apt install python3-venv v4l-utils -y

mkdir -p ~/yolo-edge && cd ~/yolo-edge
python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip

📦 必要パッケージのインストール

bash

pip install -U ultralytics opencv-python paho-mqtt numpy

💡 HDMI接続で画面表示する場合は opencv-python、
ヘッドレス運用（GUIなし）なら opencv-python-headless に変更可。

🎥 カメラテスト

bash

v4l2-ctl --list-devices

python - <<'PY'
import cv2
cap = cv2.VideoCapture(0)
print("open:", cap.isOpened())
cap.release()
PY

open: True になればカメラ認識OKです。

🧠 YOLO 単体動作テスト

bash

yolo task=detect mode=predict model=yolov8n.pt source=0 show=True

リアルタイム映像に検出枠が表示されれば成功。

🌐 MQTT送信スクリプト `yolo_mqtt_edge.py`

~/yolo-edge/yolo_mqtt_edge.py を作成して以下を保存します👇

python

import os, time, json, base64
import cv2
import numpy as np
from ultralytics import YOLO
import paho.mqtt.client as mqtt

# ========= 設定 =========
BROKER = os.getenv("BROKER", "192.168.0.101")   # ← MiniPC#1 のIPアドレス
PORT   = int(os.getenv("MQTT_PORT", "1883"))
TOPIC_DET    = "trackbay/detections"
TOPIC_ZONES  = "trackbay/zones"
TOPIC_IMAGE  = "trackbay/image"

SEND_IMAGE   = os.getenv("SEND_IMAGE", "false").lower() == "true"
CAM_INDEX    = 0
MODEL_PATH   = "yolov8n.pt"
CONF_THRES   = 0.4
TARGET_CLASS = "truck"      # 検出対象（例：'truck','car','person'）
IMG_W, IMG_H = 1280, 720
FPS_LIMIT    = 0            # 0で制限なし

# ========= 初期化 =========
model = YOLO(MODEL_PATH)
names = getattr(model.model, "names", {})

cli = mqtt.Client()
cli.connect(BROKER, PORT, 60)
cli.loop_start()

cap = cv2.VideoCapture(CAM_INDEX, cv2.CAP_V4L2)
cap.set(cv2.CAP_PROP_FOURCC, cv2.VideoWriter_fourcc(*'MJPG'))
cap.set(cv2.CAP_PROP_FRAME_WIDTH,  IMG_W)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, IMG_H)

def zone_of_point(xc, yc, w, h):
    if xc < w/2 and yc < h/2: return 1
    if xc >= w/2 and yc < h/2: return 2
    if xc < w/2 and yc >= h/2: return 3
    return 4

def maybe_sleep(last_t):
    if FPS_LIMIT <= 0: return time.time()
    elapsed = time.time() - last_t
    target = 1.0 / FPS_LIMIT
    if elapsed < target:
        time.sleep(target - elapsed)
    return time.time()

last_t = 0.0
try:
    while True:
        last_t = maybe_sleep(last_t)
        ok, frame = cap.read()
        if not ok:
            time.sleep(0.05)
            continue

        h, w = frame.shape[:2]
        res = model.predict(source=frame, conf=CONF_THRES, imgsz=640, verbose=False)
        zones = {1: False, 2: False, 3: False, 4: False}
        dets  = []

        for r in res:
            if not hasattr(r, "boxes") or r.boxes is None:
                continue
            for b in r.boxes:
                cls_id = int(b.cls[0])
                cls_name = names.get(cls_id, str(cls_id))
                if TARGET_CLASS and cls_name != TARGET_CLASS:
                    continue
                x1,y1,x2,y2 = b.xyxy[0].cpu().numpy().tolist()
                xc, yc = (x1+x2)/2, (y1+y2)/2
                z = zone_of_point(xc, yc, w, h)
                zones[z] = True
                dets.append({
                    "class": cls_name,
                    "conf": round(float(b.conf[0]), 3),
                    "bbox": [round(x1,1), round(y1,1), round(x2,1), round(y2,1)],
                    "zone": z
                })

        ts = int(time.time()*1000)
        cli.publish(TOPIC_DET, json.dumps({"ts": ts, "count": len(dets), "detections": dets}))
        cli.publish(TOPIC_ZONES, json.dumps({"ts": ts, "zones": {str(i): zones[i] for i in range(1,5)}}))

        if SEND_IMAGE:
            ok_jpg, jpg = cv2.imencode(".jpg", frame, [cv2.IMWRITE_JPEG_QUALITY, 60])
            if ok_jpg:
                b64 = base64.b64encode(jpg.tobytes()).decode("utf-8")
                cli.publish(TOPIC_IMAGE, json.dumps({"ts": ts, "image_b64": b64}))
except KeyboardInterrupt:
    pass
finally:
    cap.release()
    cli.loop_stop()

🚀 実行（MiniPC#2 側）

bash

cd ~/yolo-edge
source .venv/bin/activate
BROKER=192.168.0.101 python yolo_mqtt_edge.py

📊 Node-RED 側（MiniPC#1）

Node-REDに以下のトピックを購読するフローを作成します。

トピック	内容
`trackbay/zones`	4分割ゾーンごとの「満/空」状態
`trackbay/detections`	検出クラス・信頼度・座標
`trackbay/image`	base64画像（任意）

簡易的には mqtt in → json → ui_template で表示可能。
詳細なUI例は別記事でも紹介予定。

🧠 動作イメージ

MiniPC#2 のカメラが物体を検出
YOLOv8 がクラス・座標・信頼度をJSON化
MQTTで MiniPC#1 のMosquittoへ送信
Node-RED が受信してリアルタイム可視化

🔋 おまけ：自動起動設定（systemd）

bash

sudo bash -c 'cat >/etc/systemd/system/yolo-edge@.service' <<'SERVICE'
[Unit]
Description=YOLO Edge Inference (MQTT)
After=network-online.target
Wants=network-online.target

[Service]
User=%i
WorkingDirectory=/home/%i/yolo-edge
Environment="PATH=/home/%i/yolo-edge/.venv/bin:/usr/bin"
Environment=BROKER=192.168.0.101
ExecStart=/home/%i/yolo-edge/.venv/bin/python /home/%i/yolo-edge/yolo_mqtt_edge.py
Restart=always
RestartSec=3

[Install]
WantedBy=multi-user.target
SERVICE

sudo systemctl enable yolo-edge@${USER}.service
sudo systemctl start yolo-edge@${USER}.service

✨ まとめ

YOLOv8をMiniPCに導入し、リアルタイム推論を実現
MQTTで軽量に結果を転送
Node-REDダッシュボードで簡易可視化

今後はOpenVINOやONNXで最適化、Edge推論の省電力化などにも挑戦予定です。

🕒 最終更新: 2025-10-10