Vision en edge : Jetson, Raspberry Pi, que choisir ?

« En edge » signifie que le calcul se fait près de la caméra, sur un petit boîtier, plutôt que dans un serveur ou dans le nuage. Pour la vision, c'est souvent la bonne idée : on n'envoie pas de vidéo sur le réseau, la réponse est rapide, et l'installation continue de marcher si la liaison tombe. Cette page compare deux familles de boîtiers courantes, la carte NVIDIA Jetson et le Raspberry Pi, d'après les guides d'Ultralytics et la page de NVIDIA, lus le 15/11/2026. Tous les temps cités sont ceux de l'éditeur, sur son matériel et son banc d'essai.

NVIDIA Jetson

Les guides listent comme cartes testées : Jetson AGX Thor (kit développeur), AGX Orin (64 Go), Orin Nano Super, et des modules de partenaires basés sur Orin NX 16 Go et Nano 4 Go. Le guide dit s'attendre à ce que cela fonctionne sur toute la gamme.

Ce que la page de NVIDIA annonce pour ses modules (performance IA maximale) :

(Les TOPS sont des milliers de milliards d'opérations par seconde ; les chiffres de pointe ne sont pas ceux d'un détecteur réel.) La page ne donne pas de prix.

Mise en route : flasher JetPack (le système fourni par NVIDIA), puis installer Ultralytics. Les versions comptent : le guide indique JetPack 4 pour Jetson Nano et TX2, JetPack 5, 6 et 7 pour la famille Orin, JetPack 7 seul pour Thor. Le plus rapide est une image Docker préparée. Le guide prévient aussi de garder TensorRT 10.x sur JetPack 6 et 7.

Export : model.export(format="engine") crée un fichier TensorRT. Temps d'inférence de YOLO26n, sans pré- ni post-traitement :

FP16 et INT8 sont des précisions de calcul réduites. L'INT8 est plus rapide mais moins précis : sur Thor, le guide note un mAP50-95 de 0,4797 en FP16 contre 0,4273 en INT8. Ce que ces métriques signifient est dans Précision, rappel, mAP.

Raspberry Pi

Le guide a été testé sur Raspberry Pi 4 et 5, sous Raspberry Pi OS Bookworm (Debian 12). L'installation tient en pip install ultralytics, ou une image Docker ARM64. Le guide écrit que NCNN offre les meilleures performances sur Raspberry Pi : model.export(format="ncnn").

Benchmarks sur Raspberry Pi 5, FP32, image de 640 pixels (par image, hors pré- et post-traitement) :

Attention : la page ne dit pas clairement quelle taille de modèle correspond à ce tableau (elle parle d'un modèle de type « n », plus petit). Rapporté à une caméra, 67 ms par image représente environ 15 images par seconde au mieux, avant le traitement autour du modèle.

Comment choisir

1. Calculez la cadence. Une ligne qui avance vite impose plus d'images par seconde qu'une porte surveillée.
2. Mesurez sur votre carte avec votre modèle et votre résolution, pas avec les tableaux de l'éditeur.
3. Comptez le reste : alimentation, boîtier, refroidissement, stockage, mises à jour du système et supervision à distance.
4. Vérifiez la licence si vous livrez le boîtier à un client : Ultralytics cite le déploiement sur matériel embarqué parmi les cas qui demandent une licence Entreprise ; voir Licence YOLO.
5. Regardez les alternatives : d'autres modèles existent (liste) ; testez-les sur le même boîtier avant de trancher.

Ce que l'edge ne règle pas

Un calculateur près de la caméra n'améliore pas l'image : éclairage et prise de vue restent la base. Il ne dispense pas non plus du droit : une caméra qui analyse des personnes relève de la CNIL, même si aucune image ne quitte le boîtier (vidéosurveillance et IA). Pour la suite, voyez Détection d'objets avec YOLO.