TensorFlow LiteでRaspberry Pi AI入門｜機械学習モデルをエッジで動かす方法

TensorFlow Liteとは

TensorFlow Lite（TFLite）は、Googleが開発したモバイル・エッジデバイス向けの軽量機械学習推論フレームワークです。PC上で学習した大きなAIモデルを、Raspberry Piのような小型デバイスでも動作する形式に変換して実行できます。

電子工作でAIを組み込みたい場合、TFLiteは最も手軽な選択肢のひとつです。Python数行で推論を実行でき、カメラモジュールと組み合わせればリアルタイム画像認識も実現できます。

---

必要な部品と費用

基本構成の合計: 約16,000円（Coral無しの場合）

---

環境構築

1. Raspberry Pi OSのセットアップ

Raspberry Pi Imagerで最新のRaspberry Pi OS（64bit）をmicroSDに書き込みます。初回起動後、ターミナルでシステムを更新します。

sudo apt update && sudo apt upgrade -y

2. TFLite Runtimeのインストール

pip install tflite-runtime

tflite-runtimeはTensorFlow全体をインストールするよりもはるかに軽量で、推論実行に必要な機能のみを含んでいます。

3. カメラモジュールの有効化

Raspberry Pi 5ではlibcamera経由でカメラにアクセスします。

sudo apt install -y python3-picamera2

---

TFLiteモデルの基本的な推論

画像分類（MobileNet V2）の実行例

学習済みのMobileNet V2モデルを使って画像分類を行う基本コードです。

import numpy as np
from tflite_runtime.interpreter import Interpreter
from PIL import Image

# モデルのロード
interpreter = Interpreter(model_path="mobilenet_v2.tflite")
interpreter.allocate_tensors()

# 入力テンソル情報の取得
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# 画像の前処理
img = Image.open("test.jpg").resize((224, 224))
input_data = np.expand_dims(np.array(img, dtype=np.uint8), axis=0)

# 推論実行
interpreter.set_tensor(input_details[0]["index"], input_data)
interpreter.invoke()

# 結果取得
output_data = interpreter.get_tensor(output_details[0]["index"])
predicted_class = np.argmax(output_data)
print(f"予測クラス: {predicted_class}")

Raspberry Pi 5（CPU）での推論時間は約30〜80ms/枚です。

---

モデルの変換と量子化

TFLiteへの変換

TensorFlow/Kerasで学習したモデルをTFLite形式に変換します。

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model("saved_model_dir")
tflite_model = converter.convert()

with open("model.tflite", "wb") as f:
    f.write(tflite_model)

INT8量子化で高速化

量子化により、モデルサイズが約1/4に圧縮され、推論速度が2〜3倍向上します。

converter = tf.lite.TFLiteConverter.from_saved_model("saved_model_dir")
converter.optimizations = [tf.lite.Optimize.DEFAULT]

def representative_data_gen():
    for img in calibration_images:
        yield [np.expand_dims(img, axis=0).astype(np.float32)]

converter.representative_dataset = representative_data_gen
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.uint8
converter.inference_output_type = tf.uint8

quantized_model = converter.convert()

量子化の効果（Raspberry Pi 5、MobileNet V2）

---

カメラと組み合わせたリアルタイム推論

Picamera2とTFLiteを組み合わせると、カメラ映像に対してリアルタイムで画像分類を実行できます。

from picamera2 import Picamera2
from tflite_runtime.interpreter import Interpreter
import numpy as np

picam2 = Picamera2()
picam2.start()

interpreter = Interpreter(model_path="mobilenet_v2_quant.tflite")
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

while True:
    frame = picam2.capture_array()
    # リサイズと前処理
    img = np.array(
        Image.fromarray(frame).resize((224, 224)),
        dtype=np.uint8
    )
    input_data = np.expand_dims(img, axis=0)

    interpreter.set_tensor(input_details[0]["index"], input_data)
    interpreter.invoke()

    output = interpreter.get_tensor(output_details[0]["index"])
    print(f"クラス: {np.argmax(output)}, 確信度: {np.max(output):.2f}")

---

TFLite vs ONNX Runtime：どちらを選ぶ？

判断基準: TensorFlow/Kerasでモデルを学習し、Raspberry PiやCoral TPUで動かすならTFLite。PyTorchモデルをJetsonで動かすならONNX Runtime + TensorRTが最適です。

---

応用プロジェクト例

TFLite × Raspberry Piで実現できるプロジェクトをいくつか紹介します。

• 自動ペット見守りカメラ: ペットの行動を画像分類で検知し、LINEに通知
• 来客カウンター: 玄関カメラで人物検出し、入退室回数を記録
• 家庭菜園AIモニター: 植物の葉の画像から病害を検出
• ゴミ分別判定器: カメラで撮影した廃棄物の素材を分類

いずれも学習済みモデル（MobileNet、EfficientDet-Lite）をベースに転移学習することで、少ないデータ（数百枚）から実用レベルのモデルを構築できます。

---

コスト試算

TFLiteでエッジAI推論を行う場合のコストは、AI推論コスト計算機で試算できます。クラウドAPIとの費用比較を行い、エッジ化の費用対効果を事前に把握してから構築を進めましょう。

---

まとめ

TensorFlow Liteは、Raspberry Piで機械学習を始めるための最もアクセスしやすいフレームワークです。Python環境のセットアップからモデルの変換・量子化・リアルタイム推論まで、電子工作の知識と組み合わせることで実用的なAIデバイスを構築できます。まずは学習済みモデルで動作確認し、慣れたら独自モデルの学習にも挑戦してみてください。