タイトルにあるように、Raspberry Pi OS Bookworm (64bit) の「pi-V2カメラ付ラズパイ4B」で撮影しながら、Mediapipeのオブジェクト検出* を実施します。ただBookwormですが、仮想環境* は使いません。次に、「pi-V2カメラ付ラズパイ4B」にUSBカメラを追加して、2個のカメラで同時に検出を実施します。この時、USBカメラを追加したのに、Raspberry Pi OS Bookwormで、"wayland"... のWARNメッセージが出なかったことが特記事項です。
仮想環境*
OS Bookwormは、仮想環境なしではpipでパッケージモジュールのインストールができず、仮想環境が必須です。ゆえに仮想環境構築に失敗した方は、OS Bookwormに、Mediapipeをインストールできません。つまりMediapipeのオブジェクト検出ができないということです。ただ仮想環境なしで、全く不可能という訳ではなく、非推奨ですが、救済措置として ’ --break-system-packages’ というコマンドオプションが用意されています。このコマンドオプションを使えば、仮想環境なしのOS bookworm上に、Mediapipeのインストールが可能です。今回、このコマンドオプション ’ --break-system-packages’ を使います。
Mediapipeのオブジェクト検出*
Mediapipeのオブジェクト検出は、Raspberry_Pi用がgitに用意されているので、セットアップが楽です。さらにMediapipeでは、オブジェクト検出に使う学習済のModelファイルのカスタマイズ（追加学習)* が、初期投資なしのサブスク形式で、手軽に始められることが大きな魅力です。ただし今回はカスタマイズせず、学習済のModelファイルを使った検出だけを実施します。
MediapipeのModelファイルのカスタマイズ（追加学習)*
具体的には、クラウド上のGPUを備えたGoogle Colabで、Mediapipe Model Maker を使います。Google Colabは無料でも使えます。ただし高性能GPUを使いたい場合は、スマホのGB追加オプションの感覚で、月1200円ほどのColab Proがおすすめです。最初に無料で使い方を習得した後、学習用の画像なども本格的に準備して、Colab Proの高性能GPUを使ってModelファイルのカスタマイズ（追加学習）をするというパターンが効率的そうです。
マイクロSDカードへのRaspberry Pi OS書込み
今回、信頼性の高いクリーンインスト―ルで実施します。30分ほど時間が掛かりますが確実です。まず空の32GBのマイクロSDカードを用意します。使用したものは、CLASS１, UHS1の記載がありました。特別に速いわけではなく汎用品でした。Raspberry Pi オフィシャルより、Raspberry Pi ImagerをPCへダウンロードします。PCにマイクロSDカードを挿して、ダウンロードした「Imager.exe 」をダブルクリックします。Raspberry Pi デバイスは今回Raspberry Pi 4にします。OSはRaspberry Pi FULL OS (64bit) --bookworm-- を選択します。他に無印(standard)とLITE、さらにLegacyのbullseyeなどがあります。ストレージは32GBを選択します（上書きして全部消去されますので、間違わないようにしてください）。「次へ」、... customized setting? で、「いいえ」。... 本当に続けますか？ で、「はい」。マイクロSDカードへの書き込みが始まり、30分前後かかります。
ラズパイで初期設定
Bookworm OSを書き込んだマイクロSDカードを、ラズパイ4Bに挿して、起動します。初期設定だけは、USBマウス、USBキーボード、HDMIモニターがあると、大変スムーズにいきます。途中、Update Software は必ず「skip」＊ します。進んで、鵜飼の画面が出ると初期設定の終了です。
＊ntpサーバーが通じていないので時刻の自動設定ができず、Update Softwareでとまるのでskipします。ntpサーバーが通じない原因は、たぶんルーター設定だと思います。ルーター設定を修正していないので。時刻は後で手動で設定します。
ラズパイでMediapipeのセットアップ
以下、ラズパイ4Bのbookworm(x64)上に、「仮想環境無し」で、オブジェクト検出（ObjectDetection）用のmediapipeをセットアップします。最初に時刻を合わせます。アクセサリー ＞ LXTerminal で、
～ $ sudo date --set='2025/04/21 20:55:30'
次に以下を続けて実施します。
～ $ pip install mediapipe --break-system-packages
～ $ pip install opencv-python --break-system-packages
～ $ sudo python -m pip install --upgrade pip --break-system-packages
～ $ sudo apt update ## through
ここで、upgradable ... とメッセージが出ますが、次に進みます。
～ $ sudo apt install libatlas3-base
～ $ sudo apt install libcap-dev
～ $ git clone https://github.com/googlesamples/mediapipe.git
～ $ cd mediapipe/examples/object_detection/raspberry_pi
ダウンロードした home/pi/mediapipe/examples/object_detection/raspberry_pi に、utils.pyというファイルがあります。この中のvisualizeという関数をプログラム中で、importして使います。
～ $ python3 -m pip install pip --upgrade --break-system-packages
～ $ python3 -m pip install -r requirements.txt --break-system-packages
～ $ wget -q -O efficientdet.tflite -q https://storage.googleapis.com/mediapipe-models/object_detector/efficientdet_lite0/int8/1/efficientdet_lite0.tflite
最後の3行は、setup.shファイルの内容に、--break-system-packages’ を追加しただけです。途中、WARNINGが出ることがありますが、今回はスルーして進みます。
最終行が、今回のオブジェクト検出に使うModelファイルです。CPU用のint8タイプを選択しています。なぜならラズパイのCPUは高性能です。int8タイプのefficientdet_lite0.tfliteをダウンロード後、efficientdet.tfliteへ名前を変更して、home/pi/mediapipe/examples/object_detection/raspberry_piに保存しています。このModelファイルのefficientdet_lite0.tfliteについては、以下のページを見てください。
https://ai.google.dev/edge/mediapipe/solutions/vision/object_detector?hl=ja#efficientdet-lite0_model_recommended
ラズパイのGPUは、普通のディスプレイ表示用の性能です。つまりfloatタイプの計算は並みです。最新GPUを備えたゲーミングPCのように、超高性能GPUではないということです。さらにPCIeのあるラズパイ5でも、最新GPUを増設することはできません。そこでラズパイ5にはAI-HATが発売されました。しかしAI-HATはHAILO専用です。Mediapipeでは動きません。
そこでラズパイ5にはHAILOのAI-HATが発売されました。HAILOはMidiapipeが動ないと思っていましたが、"AI-HAT Mediapipe" で探すと、HAILOコミュニティーで下記のページが見つかりました。Mediapipeが動くそうです。動画では、ほぼリアルタイム検出であり、30fpsはありそうです。まだ自分では検証してないですが。
https://community.hailo.ai/t/accelerating-the-mediapipe-models-with-hailo/3012
PCIeのあるラズパイ5で、Mediapipeの検出用に増設するなら、Googleのdual-edge TPU または Coral TPU です。夢のような動画がYouTubeにありました。ただ、どうやってこれらのTPUを、ラズパイのMediapipe用に動かすのかは、全くわかりません。大きな画像で検出を試みると、極端に検出速度が落ちるので、関心があるのはあるんですが。
https://www.youtube.com/watch?v=oFNKfMCGiqE
以上で、ラズパイでのMediapipeのセットアップは完了しました。
検出プログラムの前準備
今回、gitからダウンロードしたhome/pi/mediapipe/examples/object_detection/raspberry_piのdetect.pyは実行しません。ただdetect.pyを参考にします。このdetect.py中のoptionsの中の１つのオプションにresult_callbackがあります。これが複雑な処理をしているようです。そして検出速度が大幅に遅くなっています。このresult_callbackを外します。
https://ai.google.dev/edge/mediapipe/solutions/vision/object_detector/python?hl=ja
このページのoptionsには、base_optionsとmax_resultsとrunning_modeの3個だけでシンプルです。必須なのはbase_optionsとrunning_modeの2個です。max_resultsは無いでも動きましたが、無い場合は100個くらい検出して、画像が検出枠で埋め尽くされます。max_results=5とします。また確率の低い0.1前後の意味不明な検出枠が、出ないようにscore_threshold=0.3も追加しました。
optionsのbase_optionsは、オブジェクト検出に使うmodelファイルへのパスです。先ほどダウンロード保存した、home/pi/mediapipe/examples/object_detection/raspberry_piフォルダーのefficientdet.tfliteファイルを指定します。
ここからが、少し複雑というか、連動してセットでの変更が必要なため、数回試行錯誤しました。optionsのresult_callbackを外すと、「result_callbackとrunning_modeのLIVE_STREAMがセットになっている」というエラーが出ます。ゆえにresult_callbackを外した時、連続的なカメラ画像の場合、running_modeはVIDEOしかありません。次にresult_callbackを外して、running_modeをVIDEOへ変更すると、今度は「detect_asyncは使えない」というエラーが出ます。次ページより、detect_asyncを、detect_for_videoへ変えます。
https://ai.google.dev/edge/api/mediapipe/python/mp/tasks/vision/ObjectDetector#detect_for_video
https://ai.google.dev/edge/mediapipe/solutions/vision/object_detector/python?hl=ja
結局、連続的なカメラ画像でresult_callbackを外すと、running_modeはLIVE_STREAM→VIDEO、そしてdetect_async→detect_for_video、という組合せが1択です。
そして以下のdetect_video_v-rpi.pyになります。ここではpi-V2カメラ用にPicamera2から画像を取り込んでいます。
「pi-V2カメラ付ラズパイ4B」
detect_video_v-rpi.py
ここではRaspberry Pi OS Bookworm (64bit) の「pi-V2カメラ付ラズパイ4B」で撮影しながら、Mediapipeのオブジェクト検出を実施します。V2カメラをラズパイ4Bに挿します。この時、usbカメラは外しておきます。そしてラズパイを起動します。home/pi/mediapipe/examples/object_detection/raspberry_piに、以下のコードdetect_video_v-rpi.pyを置きます。
Thonnyで、このdetect_video_v-rpi.pyをLoadします。そしてRunで実行します。
import sys
import time
import cv2
import numpy as np
from picamera2 import Picamera2
from libcamera import controls ## V3
## ObjectDetector
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision
from utils import visualize
model_path = 'efficientdet.tflite' ## efficientdet_lite0.tflite (int8)
BaseOptions = mp.tasks.BaseOptions
ObjectDetector = mp.tasks.vision.ObjectDetector
ObjectDetectorOptions = mp.tasks.vision.ObjectDetectorOptions
VisionRunningMode = mp.tasks.vision.RunningMode
options = ObjectDetectorOptions(
base_options=BaseOptions(model_asset_path=model_path),
running_mode=VisionRunningMode.VIDEO,
max_results=5,
score_threshold=0.3)
detector = ObjectDetector.create_from_options(options)
## V2-camera-alone
picam2 = Picamera2(0)
picam2.configure(picam2.create_preview_configuration(main={"format": 'XRGB8888', "size": (640, 480)}))
picam2.start()
#picam2.set_controls({"AfMode": controls.AfModeEnum.Continuous}) ## V3
start_time = time.time()
while True:
image = picam2.capture_array()
rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
bgr_image = cv2.cvtColor(rgb_image, cv2.COLOR_RGB2BGR)
image_timestamp_s = time.time() - start_time
image_timestamp_ms = int(image_timestamp_s * 1000)
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=bgr_image)
detection_result = detector.detect_for_video(mp_image, int(image_timestamp_ms))
visual_image = visualize(np.array(bgr_image).astype(np.uint8), detection_result)
cv2.imshow('Visual Image', visual_image)
if cv2.waitKey(1) == 27: ## Esc key
break
detector.close()
picam2.stop()
cv2.destroyAllWindows()
"""
Error in cpuinfo: prctl(PR_SVE_GET_VL) failed
INFO: Created TensorFlow Lite XNNPACK delegate for CPU.
[0:05:13.738271071] [1941] INFO Camera camera_manager.cpp:327 libcamera v0.4.0+53-29156679
[0:05:13.776837293] [1971] WARN RPiSdn sdn.cpp:40 Using legacy SDN tuning - please consider moving SDN inside rpi.denoise
[0:05:13.781363052] [1971] INFO RPI vc4.cpp:447 Registered camera /base/soc/i2c0mux/i2c@1/imx219@10 to Unicam device /dev/media1 and ISP device /dev/media2
[0:05:13.781531997] [1971] INFO RPI pipeline_base.cpp:1121 Using configuration file '/usr/share/libcamera/pipeline/rpi/vc4/rpi_apps.yaml'
[0:05:13.793949701] [1941] INFO Camera camera.cpp:1202 configuring streams: (0) 640x480-XRGB8888 (1) 640x480-SBGGR10_CSI2P
[0:05:13.794479812] [1971] INFO RPI vc4.cpp:622 Sensor: /base/soc/i2c0mux/i2c@1/imx219@10 - Selected sensor format: 640x480-SBGGR10_1X10 - Selected unicam format: 640x480-pBAA
"""
次のようなメッセージが出ます。
Error in cpuinfo: prctl(PR_SVE_GET_VL) failed
INFO: Created TensorFlow Lite XNNPACK delegate for CPU.
これはmediapipeが出したようです。SVEはラズパイ4Bにはハードウェアー的に存在しないので回避不可。SVEはラズパイ５からです。このErrorを消したい場合、ラズパイ5へ変えるしか、方法はありません。TensorFlow Liteは、代替でCPUを使っているようです。これらはスルーして、5秒ほど待ちます。画像が出て、検出します。画像のオブジェクト検出に、遅れはありません。ほぼリアルタイムで検出します。ただ画像表示には1秒ほどの遅延があります。スローモーションで5fps前後です。同時に、次の追加メッセージも出ます。
[0:05:13.738271071] [1941] INFO Camera camera_manager.cpp:327 libcamera v0.4.0+53-29156679
[0:05:13.776837293] [1971] WARN RPiSdn sdn.cpp:40 Using legacy SDN tuning - please consider moving SDN inside rpi.denoise
[0:05:13.781363052] [1971] INFO RPI vc4.cpp:447 Registered camera /base/soc/i2c0mux/i2c@1/imx219@10 to Unicam device /dev/media1 and ISP device /dev/media2
[0:05:13.781531997] [1971] INFO RPI pipeline_base.cpp:1121 Using configuration file '/usr/share/libcamera/pipeline/rpi/vc4/rpi_apps.yaml'
[0:05:13.793949701] [1941] INFO Camera camera.cpp:1202 configuring streams: (0) 640x480-XRGB8888 (1) 640x480-SBGGR10_CSI2P
[0:05:13.794479812] [1971] INFO RPI vc4.cpp:622 Sensor: /base/soc/i2c0mux/i2c@1/imx219@10 - Selected sensor format: 640x480-SBGGR10_1X10 - Selected unicam format: 640x480-pBAA
追加メッセージ中にWARNが1個だけあります。ラズパイ4B＋V2カメラとbookworm上の新Picamera2の何かが、合っていないためのwarning(警告)だと思います。同じラズパイ4B＋V2カメラで、buster上の旧Picameraの時は、このWARNは見たことがありません。またWARNが原因で、ラズパイ4BやV2カメラが壊れる又は誤動作するという事例は、色々探しましたが無いないようです。どうしても、このWARNを消したいという場合、ラズパイ5＋V3カメラへ変えるしか、方法はないような気がします。
「pi-V2カメラ付ラズパイ4B」＋usbカメラ
detect_video_v-rpi_usb.py
ここでは「pi-V2カメラ付ラズパイ4B」にUSBカメラを追加して、2個のカメラで同時に検出を実施します。V2カメラだけをラズパイ4Bに挿して起動します。起動後にusbカメラを挿します。「pi-V2カメラ付ラズパイ4B」＋usbカメラです。Home/pi/mediapipe/examples/object_detection/raspberry_piに、以下のコードdetect_video_v-rpi_usb.pyを置きます。Thonnyで、このdetect_video_v-rpi_usb.pyをLoadします。そしてRunで実行します。
"""
---- Raspberry Pi OS bookworm 64bit ----
～ $ sudo date --set='2025/04/21 20:55:30'
---- Below, without virtual environment ----
---- Mediapipe Object_Detector SetUp ----
～ $ pip install mediapipe --break-system-packages
～ $ pip install opencv-python --break-system-packages
～ $ sudo python -m pip install --upgrade pip --break-system-packages
～ $ sudo apt update
～ $ sudo apt install libatlas3-base
～ $ sudo apt install libcap-dev
～ $ git clone https://github.com/googlesamples/mediapipe.git
～ $ cd mediapipe/examples/object_detection/raspberry_pi
～ $ python3 -m pip install pip --upgrade --break-system-packages
～ $ python3 -m pip install -r requirements.txt --break-system-packages
～ $ wget -q -O efficientdet.tflite -q https://storage.googleapis.com/mediapipe-models/object_detector/efficientdet_lite0/int8/1/efficientdet_lite0.tflite
put this code in home/pi/mediapipe/examples/object_detection/raspberry_pi
Start Raspberry Pi with pi-V2 camera. After starting, insert USB camera. And Run this code on Thonny and wait for 5 sec.
"""
import sys
import time
from multiprocessing import Manager, Value, Process
import cv2 as cv
import numpy as np
from picamera2 import Picamera2
from libcamera import controls ## V3 camera
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision
"""
not LIVE_STREAM but VIDEO
https://ai.google.dev/edge/api/mediapipe/python/mp/tasks/vision/ObjectDetector
https://ai.google.dev/edge/mediapipe/solutions/vision/object_detector/python?hl=ja
create_from_options
https://github.com/google-ai-edge/mediapipe/blob/master/mediapipe/tasks/python/vision/object_detector.py#L180-L241
detect_for_video
https://github.com/google-ai-edge/mediapipe/blob/master/mediapipe/tasks/python/vision/object_detector.py#L289-L338
mp.tasks.vision.ObjectDetectorOptions
https://ai.google.dev/edge/api/mediapipe/python/mp/tasks/vision/ObjectDetectorOptions
https://github.com/google-ai-edge/mediapipe/blob/master/mediapipe/tasks/python/vision/object_detector.py#L52-L107
refer
https://ai.google.dev/edge/mediapipe/solutions/vision/pose_landmarker/python?hl=ja
https://developers.googleblog.com/ja/mediapipe-for-raspberry-pi-and-ios/
https://ai.google.dev/edge/mediapipe/solutions/tasks?hl=ja
"""
from utils import visualize
model_path = 'efficientdet.tflite' ## efficientdet_lite0.tflite (int8)
"""
https://github.com/google-ai-edge/mediapipe-samples/tree/main/examples/object_detection/raspberry_pi
https://ai.google.dev/edge/mediapipe/solutions/vision/object_detector?hl=ja#efficientdet-lite0_model_recommended
https://ai.google.dev/edge/mediapipe/solutions/customization/object_detector
https://colab.research.google.com/github/googlesamples/mediapipe/blob/main/examples/customization/object_detector.ipynb
"""
def process1(mg_pvalue_0, mg_plist_0):
## V2 camera
picam0 = Picamera2(0)
picam0.configure(picam0.create_preview_configuration(main={"format": 'XRGB8888', "size": (640, 480)}))
picam0.start()
#picam0.set_controls({"AfMode": controls.AfModeEnum.Continuous}) ## V3 camera auto focus
## ObjectDetector
BaseOptions = mp.tasks.BaseOptions
ObjectDetector = mp.tasks.vision.ObjectDetector
ObjectDetectorOptions = mp.tasks.vision.ObjectDetectorOptions
VisionRunningMode = mp.tasks.vision.RunningMode
options = ObjectDetectorOptions(
base_options=BaseOptions(model_asset_path=model_path),
running_mode=VisionRunningMode.VIDEO,
max_results=5,
score_threshold=0.3)
detector = ObjectDetector.create_from_options(options)
start_time = time.time()
while True:
image = picam0.capture_array()
rgb_image = cv.cvtColor(image, cv.COLOR_BGR2RGB)
bgr_image = cv.cvtColor(rgb_image, cv.COLOR_RGB2BGR)
image_timestamp_s = time.time() - start_time
image_timestamp_ms = int(image_timestamp_s * 1000)
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=bgr_image)
detection_result = detector.detect_for_video(mp_image, int(image_timestamp_ms))
visual_image = visualize(np.array(bgr_image).astype(np.uint8), detection_result)
cv.imshow('V2 Visual Image', visual_image)
if cv.waitKey(1) == 27: ## Esc key
break
detector.close()
picam0.stop()
cv.destroyAllWindows()
def process2(mg_pvalue_0, mg_plist_0):
## USB camera
cap1 = cv.VideoCapture(1) ## $ ls -l /dev/video* video0,1,2
#cap1 = cv.VideoCapture(2) ## $ ls -l /dev/video* video0,1,2,3
cap1.set(cv.CAP_PROP_FRAME_WIDTH, 640)
cap1.set(cv.CAP_PROP_FRAME_HEIGHT, 480)
## ObjectDetector
BaseOptions = mp.tasks.BaseOptions
ObjectDetector = mp.tasks.vision.ObjectDetector
ObjectDetectorOptions = mp.tasks.vision.ObjectDetectorOptions
VisionRunningMode = mp.tasks.vision.RunningMode
options = ObjectDetectorOptions(
base_options=BaseOptions(model_asset_path=model_path),
running_mode=VisionRunningMode.VIDEO,
max_results=5,
score_threshold=0.3)
detector = ObjectDetector.create_from_options(options)
success, image = cap1.read()
if not success:
sys.exit('ERROR: Unable to read from webcam.')
while success:
image_timestamp_ms = cap1.get(cv.CAP_PROP_POS_MSEC)
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=image)
detection_result = detector.detect_for_video(mp_image, int(image_timestamp_ms))
visual_image = visualize(np.array(image).astype(np.uint8), detection_result)
cv.imshow('USB Visual Image', visual_image)
if cv.waitKey(1) == 27: ## Esc key
break
success, image = cap1.read()
detector.close()
cap1.release()
cv.destroyAllWindows()
if __name__ == "__main__":
## copied from Manager of Server process in multiprocessing (Python)
with Manager() as manager:
mg_pvalue_0 = manager.Value('i', 0)
mg_pvalue_0.value = 0
mg_plist_0 = manager.list()
process1 = Process(target=process1, args=[mg_pvalue_0, mg_plist_0])
process2 = Process(target=process2, args=[mg_pvalue_0, mg_plist_0])
process1.start()
process2.start()
process1.join()
process2.join()
"""
[0:09:21.817338256] [1932] INFO Camera camera_manager.cpp:327 libcamera v0.4.0+53-29156679
[0:09:21.854093737] [1936] WARN RPiSdn sdn.cpp:40 Using legacy SDN tuning - please consider moving SDN inside rpi.denoise
[0:09:21.857038848] [1936] INFO RPI vc4.cpp:447 Registered camera /base/soc/i2c0mux/i2c@1/imx219@10 to Unicam device /dev/media1 and ISP device /dev/media2
[0:09:21.857187996] [1936] INFO RPI pipeline_base.cpp:1121 Using configuration file '/usr/share/libcamera/pipeline/rpi/vc4/rpi_apps.yaml'
[0:09:21.964510200] [1932] INFO Camera camera.cpp:1202 configuring streams: (0) 640x480-XRGB8888 (1) 640x480-SBGGR10_CSI2P
[0:09:21.965130311] [1936] INFO RPI vc4.cpp:622 Sensor: /base/soc/i2c0mux/i2c@1/imx219@10 - Selected sensor format: 640x480-SBGGR10_1X10 - Selected unicam format: 640x480-pBAA
Error in cpuinfo: prctl(PR_SVE_GET_VL) failed
Error in cpuinfo: prctl(PR_SVE_GET_VL) failed
INFO: Created TensorFlow Lite XNNPACK delegate for CPU.
INFO: Created TensorFlow Lite XNNPACK delegate for CPU.
"""
メッセージは、usbカメラが増えても、pi-V2カメラ単独（detect_video_v-rpi.py）の時と同じです。また今回のようにpi-V2カメラが共存して動作(撮影)している時、Raspberry Pi OS Bookworm上のusbカメラ特有の "wayland"... のWARNメッセージは出ませんでした。言い忘れていましたが、usbカメラは、Logicool C310nを使っています。
またmultiprocessing部分は、PythonのmultiprocessingのServerプロセスのManager を、ほぼ全コピーして使っています。速度的には、pi-V2カメラ＋usbカメラ(detect_video_v-rpi_usb.py)でも、pi-V2カメラ単独（detect_video_v-rpi.py）の時と、ほぼ同じです。別コアで動いていますから。
一方、ServerプロセスのManagerのプロキシlistとvalueは、今回のプログラム中では、設定はしていますが全く使っていません。ゆえに、以下のページを参考にさせてもらって、pi-V2カメラ＋usbカメラの小画像を、ほぼリアルタイムのストリーミングで、参照・比較するプログラムも、次に計画しています。ただし外には発表しないと思います。
https://qiita.com/like_ndarray/items/b6accb010bde24c477d3
https://qiita.com/like_ndarray/items/d39dbde96d5cdc81421d
追伸： "wayland" について
以下のページを参考にさせていただきました。$ sudo raspi-configで、[Advanced Options]、[Wayland]で、3個「X11」,「Wayfire」,「Labwc」あります。ここでデフォルト「Labwc」から「x11」へ変更し、再起動します。これにより、Webカメラ単独でも、"wayland"... のWARNメッセージは出なくなりました。さらに「シャットダウンがメニューから出来ずに、ターミナルからシャットダウンしていました」が、これも改善しました。2025APRのBookwormは、参考ページと逆の症状でした。また今回試行した上述の2個のプログラム detect_video_v-rpi.py と detect_video_v-rpi_usb.py も、変わらず動きました。
https://qiita.com/craftandcoffee/items/62515905cfe797b9d1ba
https://qiita.com/mao172/items/4014ae9d8e1252ddde86
変更途中の小さなトラブルとして、いつもRealVCNを使っていますが、「Labwc」→「X11」の設定変更で、VNC画面が灰色になりました。以下のページを参考に、VNCは回復しました。
https://qiita.com/konchi_konnection/items/c8e2258f0a7efb49302f
https://www.indoorcorgielec.com/products/
こちらは、サーボモーター・ステッパーモーターのHATの方だったので、いろいろ見ていると、次のようなページもありました。前に少しやったことがあるので、自分でも作れるかもしれないかと思いました。
https://qiita.com/retro_C18_4B/items/6c5b687647e255124cd7
以上、Bookwormでの"wayland"のWARNメッセージはクリアしました。いろいろな方にお世話になりました。ありがとうございました。