Raspberry Pi 5 : Un Ordinateur à 60$ qui Fait de la Détection d'Objets en Temps Réel

Quand j'ai commencé à travailler avec des microcontrôleurs — PIC, ATmega328P, Arduino — la vision par ordinateur était un rêve inaccessible. Ces petites puces savaient faire clignoter des LED, lire des capteurs, piloter des moteurs, mais traiter une image en temps réel ? Impensable. Il fallait un PC dédié à plusieurs centaines d'euros. Puis le Raspberry Pi est arrivé — et le Pi 5 change complètement la donne. Pour 60 à 80 dollars, vous avez un nano-ordinateur qui fait de la détection d'objets en temps réel à 20-30 FPS, reconnaît des visages, lit des plaques d'immatriculation et fait tourner YOLOv8. Couplé à Python et OpenCV, c'est la trilogie qui démocratise la vision artificielle.

Le Raspberry Pi 5 : ce qui change vraiment

Un processeur qui change la donne

Le cœur du Pi 5, c'est le SoC Broadcom BCM2712 : 4 cœurs ARM Cortex-A76 cadencés à 2,4 GHz en 64 bits. Le gain par rapport au Pi 4 est de 2 à 3x pour les applications intensives en CPU ou I/O. Pour de la vision par ordinateur, cette différence est spectaculaire — le même algorithme de détection qui tournait à 10 FPS sur le Pi 4 passe à 25-30 FPS sur le Pi 5.

Le GPU VideoCore VII à 800 MHz avec support OpenGL ES 3.1 et Vulkan 1.2 renforce encore les capacités graphiques. Pour le traitement vidéo en temps réel — décoder un flux caméra, appliquer des filtres, dessiner des rectangles de détection — c'est un atout majeur.

RP1 : du silicium maison pour la première fois

C'est l'innovation la plus discrète mais la plus significative. Pour la première fois de son histoire, la fondation Raspberry Pi déploie du silicium entièrement conçu en interne : la puce RP1 dédiée à la gestion des entrées/sorties. En pratique, ça signifie une réactivité considérablement améliorée pour la communication avec les périphériques — et notamment les caméras haute performance. Quand vous connectez un module Picamera2 au Pi 5, le flux de données entre le capteur et le processeur est géré par du matériel optimisé spécifiquement pour cet usage.

Le point sensible : la chaleur

Le Pi 5 chauffe. Sous charge, il atteint 71°C contre 52°C pour le Pi 4. Pour des applications de vision par ordinateur qui sollicitent le CPU en continu, un dissipateur thermique actif (ventilateur) est indispensable. Sans refroidissement, le processeur bride ses performances pour éviter la surchauffe — et vos FPS s'effondrent. Investir 5-10€ dans le kit de refroidissement officiel, c'est obligatoire.

Python sur le Pi 5 : ce qui a changé

Les environnements virtuels deviennent obligatoires

Si vous venez du Pi 4, attention : avec Raspberry Pi OS basé sur Debian 12, il est désormais nécessaire de créer un environnement virtuel (venv) pour installer des modules Python. Les installations globales via pip sont bloquées par défaut pour éviter les conflits avec les modules système. C'est une bonne pratique que tout développeur devrait adopter — mais ça peut surprendre les débutants.

GPIO : RPi.GPIO remplacé par GPIO Zero

Autre changement important : on ne peut plus utiliser RPi.GPIO sur le Pi 5 en raison de la façon dont les broches GPIO sont mappées en mémoire avec la nouvelle puce RP1. L'alternative officielle est GPIO Zero, une API plus intuitive et mieux adaptée au matériel. Pour ceux qui, comme moi, ont l'habitude de piloter des relais et des capteurs depuis des scripts Python, la transition est rapide — mais il faut le savoir avant de lancer un projet.

OpenCV : 2 500 algorithmes à portée de main

La bibliothèque qui change tout

OpenCV a été développée par Intel en 1999 et contient aujourd'hui plus de 2 500 algorithmes optimisés couvrant la vision classique et l'apprentissage profond. C'est la bibliothèque la plus utilisée au monde pour le traitement d'images — et elle tourne parfaitement sur le Pi 5.

La vision par ordinateur sur systèmes embarqués diffère profondément du développement desktop. La puissance de traitement étant limitée, chaque algorithme doit être optimisé pour l'efficacité. C'est exactement là que le Pi 5 se distingue : le gain de 2-3x par rapport au Pi 4 rend des traitements autrefois impossibles désormais fluides.

Installation : deux méthodes

L'installation d'OpenCV sur le Pi 5 nécessite une attention particulière aux dépendances. La méthode pip est la plus simple : pip install opencv-python dans votre environnement virtuel. Pour les utilisateurs avancés, la compilation depuis les sources permet d'activer des optimisations spécifiques au matériel — NEON, VFPV3 — qui peuvent améliorer les performances de 10 à 20%.

Trois projets concrets

1. Détection de visages en temps réel

Le projet d'apprentissage idéal. Vous intégrez Picamera2 pour capturer le flux vidéo, traitez chaque image en temps réel avec OpenCV, et utilisez les classifieurs Haar Cascade pour identifier les visages. Quand un visage est détecté, le système dessine un rectangle autour et peut sauvegarder l'image pour une analyse ultérieure. Sur le Pi 5, ce projet tourne à 15-25 FPS — assez fluide pour être utilisable.

2. Détection d'objets avec YOLOv8

YOLOv8 est un modèle de vision capable d'analyser un flux vidéo en direct pour reconnaître ce qu'il contient. Pointez la caméra sur un chat : le modèle le reconnaît et l'étiquette "cat". La même chose pour les personnes, voitures, tasses et des dizaines d'objets du quotidien. Sur le Pi 5, c'est 2-5 FPS — pas du temps réel pur, mais largement suffisant pour de la surveillance ou du comptage.

3. Lecture de plaques d'immatriculation

Mon préféré pour l'intégration hardware. La caméra détecte une voiture devant le garage (détection d'objets), trouve la plaque d'immatriculation et lit le numéro (reconnaissance de texte). Si le numéro correspond à une liste autorisée, un signal est envoyé aux broches GPIO pour ouvrir la porte automatiquement. C'est la convergence parfaite entre vision par ordinateur et contrôle hardware — exactement le type de projet que j'adorais faire avec des PIC et Arduino, mais avec une intelligence visuelle en plus.

L'edge computing : un marché en explosion

Le Raspberry Pi est l'un des appareils de périphérie les plus utilisés au monde, et OpenCV est la bibliothèque de vision par ordinateur la plus répandue. Cette combinaison crée un écosystème puissant pour déployer des applications localement, sans dépendre du cloud. Pour les entreprises, le Pi 5 peut servir de base pour des serveurs légers, des systèmes de surveillance, des bornes interactives ou des passerelles réseau — le tout avec une flexibilité de déploiement et un coût imbattable.

Conclusion

Le Raspberry Pi 5 avec Python et OpenCV forme une trilogie qui met la vision par ordinateur à la portée de tous. Pour 60 à 80 dollars, vous avez un nano-ordinateur capable de détecter des objets en temps réel, de reconnaître des visages, de lire du texte et de piloter du matériel — le tout programmé en Python, le langage le plus accessible du moment.

En venant du monde des microcontrôleurs PIC et ATmega, je mesure le chemin parcouru. Ce qui nécessitait un PC industriel à 2 000€ il y a dix ans tourne maintenant sur un appareil de la taille d'une carte de crédit. Le Pi 5, avec son processeur 2-3x plus rapide, sa puce I/O maison et ses interfaces haut débit, repousse encore les limites.

Mon conseil : commencez par la détection de visages avec Haar Cascade — c'est le projet le plus gratifiant pour débuter. Puis passez à YOLOv8 pour la détection d'objets multiples. Et quand vous serez à l'aise, combinez vision + GPIO pour des projets qui mêlent intelligence visuelle et contrôle physique. C'est là que la magie opère — quand le code voit le monde réel et agit dessus.