Raspberry Pi AI HAT+: como usar IA no Raspberry Pi 5

O desenvolvimento de projetos de inteligência artificial sempre enfrentou um dilema clássico na cultura maker: depender de servidores em nuvem, pagando assinaturas e tolerando atrasos de rede, ou se conformar com o processamento lento das placas compactas. O Raspberry Pi AI HAT+ resolve esse obstáculo ao incorporar unidades de processamento neural (NPUs) dedicadas diretamente ao barramento do Raspberry Pi 5, entregando inferência acelerada em uma placa que consome pouca energia e opera de forma 100% autônoma.

Desenvolvido pela Raspberry Pi Ltd em parceria com a fabricante de semicondutores Hailo, o módulo permite executar tarefas avançadas de visão computacional — como detecção de múltiplos objetos, reconhecimento facial, estimativa de postura humana e segmentação de imagens em tempo real — localmente, sem enviar um único quadro de vídeo para a internet.

Neste guia completo do TecMaker, você entenderá como essa tecnologia funciona por dentro, as diferenças entre as variantes de 13 e 26 TOPS lançadas originalmente em 2024, a evolução recente para a geração AI HAT+ 2 de 40 TOPS em 2026, como instalar os módulos no sistema oficial e que tipos de projetos práticos você pode construir hoje mesmo.

O que é o Raspberry Pi AI HAT+ e por que ele depende do Raspberry Pi 5

O Raspberry Pi AI HAT+ é uma placa de expansão física que segue a especificação oficial HAT+ (Hardware Attached on Top). Ao contrário dos acessórios tradicionais que utilizam apenas o barramento GPIO de 40 pinos para comunicação de dados, o AI HAT+ utiliza uma via expressa dedicada: o conector PCIe 2.0/3.0 de uma via (1-lane) presente na placa do Raspberry Pi 5. Todos os detalhes de pinagem e encaixe físico estão detalhados na documentação técnica oficial de acessórios da Raspberry Pi.

Essa ligação por cabo flat flexível (FPC) de 16 vias é o motivo técnico pelo qual o acessório não é compatível com o Raspberry Pi 4 nem com modelos anteriores. Nas versões anteriores da placa, não existia uma interface PCIe externa exposta para periféricos de alta velocidade. Sem essa largura de banda, seria impossível transferir fluxos de vídeo em alta resolução do sensor de câmera para o acelerador neural sem criar gargalos no sistema.

No coração do AI HAT+ está um acelerador neural da família Hailo-8. Em vez de utilizar a arquitetura convencional de processadores genéricos (onde instruções e dados trafegam constantemente entre a memória e a CPU), a NPU da Hailo adota uma arquitetura de fluxo de dados (dataflow). As camadas da rede neural são mapeadas diretamente nas unidades de computação do chip, permitindo que a inferência ocorra com altíssima eficiência energética e latência de poucos milissegundos.

Enquanto a CPU quad-core ARM Cortex-A76 do Raspberry Pi 5 cuida do sistema operacional, da lógica da aplicação e da interface de rede, o chip Hailo assume a carga pesada dos tensores e matrizes da inteligência artificial. Isso significa que o computador permanece livre e responsivo para executar outras tarefas simultaneamente.

Hailo-8L versus Hailo-8: qual a diferença prática entre 13 e 26 TOPS?

Na linha original do AI HAT+, a Raspberry Pi disponibilizou o hardware em duas variantes de desempenho, atendendo desde projetos didáticos até sistemas industriais de inspeção visual:

1. Versão de 13 TOPS (Módulo Hailo-8L): voltada para aplicações de entrada, vigilância inteligente e projetos educativos. Possui preço sugerido de US$ 70 no mercado internacional.
2. Versão de 26 TOPS (Módulo Hailo-8 completo): desenvolvida para cargas intensas, múltiplos fluxos de câmera simultâneos ou redes neurais mais densas. Preço sugerido de US$ 110.

A métrica TOPS significa Tera Operations Per Second (trilhões de operações por segundo em precisão inteira INT8). Na prática maker, essa diferença se traduz em taxa de quadros (FPS) e na complexidade dos modelos suportados, como mostra a comparação técnica a seguir:

Para quem está montando o primeiro sistema de visão computacional ou automatizando uma esteira de separação básica, a versão de 13 TOPS entrega com folga mais de 30 quadros por segundo no algoritmo YOLOv8 em resolução padrão. Já o modelo de 26 TOPS é a opção indicada para quem precisa processar duas câmeras simultaneamente ou rodar modelos simultâneos de detecção de objetos somados a rastreamento de pontos corporais (pose estimation).

Do AI HAT+ (2024) ao AI HAT+ 2 (2026): visão computacional clássica versus IA generativa local

Ao pesquisar sobre aceleração neural para o ecossistema Raspberry Pi, é indispensável compreender a evolução entre as gerações de hardware e, principalmente, as classes de precisão numérica utilizadas pelos fabricantes para não interpretar erroneamente os números de benchmark:

• Linha Raspberry Pi AI HAT+ (Original, 2024): equipada com os chips Hailo-8L (13 TOPS INT8) e Hailo-8 (26 TOPS INT8). Essa geração foi concebida essencialmente para modelos discriminativos e de visão computacional (redes convolucionais e transformadores visuais). A métrica de 13 e 26 TOPS é avaliada em precisão inteira de 8 bits (INT8), formato padrão na visão computacional por manter alta acurácia de detecção sem degradação. Como detalhado no anúncio de início de uso do Raspberry Pi AI HAT, a meta principal era democratizar a visão inteligente de borda.
• Linha Raspberry Pi AI HAT+ 2 (2026): apresentada pela Raspberry Pi Ltd no anúncio oficial que introduziu o Raspberry Pi AI HAT+ 2 e a IA generativa no Raspberry Pi 5, a nova geração alcança até 40 TOPS em precisão INT4 (inteiros de 4 bits). O hardware foi projetado para acomodar pequenos modelos de linguagem quantizados (SLMs / Small Language Models) e modelos multimodais locais, permitindo síntese e processamento de texto na borda sem conexão à nuvem.

Atenção técnica importante: os valores de 13/26 TOPS e 40 TOPS não devem ser interpretados como uma comparação direta de velocidade aritmética bruta. Cálculos em INT4 operam com metade da largura de dados de operações em INT8, permitindo dobrar o volume de operações matemáticas por ciclo com menor pegada de memória — estratégia essencial para pesos de modelos generativos comprimidos. Já para tarefas de visão computacional clássica (como YOLOv8 e pose estimation), a precisão INT8 do AI HAT+ original continua entregando estabilidade superior e qualidade analítica na borda.

Como a visão computacional funciona no Raspberry Pi OS

Um dos maiores diferenciais do ecossistema oficial é a integração de software. Hardwares genéricos costumam exigir compilações manuais de kernel e bibliotecas frágeis. No caso da Raspberry Pi, o subsistema de câmeras — baseado na suíte rpicam-apps e na biblioteca Picamera2 em Python — já inclui pós-processamento neural nativo.

O fluxo de dados ocorre de forma contínua:

1. O sensor de câmera (como o Raspberry Pi Camera Module 3 ou o Sensor HQ) captura os quadros em resolução nativa.
2. O processador de sinal de imagem (ISP) embutido no Raspberry Pi 5 realiza o balanceamento de cores e o redimensionamento do quadro.
3. O quadro tratado é enviado via barramento PCIe diretamente para o acelerador Hailo.
4. A NPU executa a inferência da rede neural em menos de 15 milissegundos.
5. As coordenadas dos objetos detectados (bounding boxes), rótulos e pontuações de confiança são devolvidas para a aplicação, que desenha os resultados sobre o vídeo ou dispara ações em atuadores.

Tutorial rápido: testando a detecção de objetos em tempo real

Para utilizar o acelerador, é necessário estar utilizando a versão de 64 bits do Raspberry Pi OS (Bookworm). Se você está dando os primeiros passos na configuração da placa, recomendamos revisar nosso guia de Raspberry Pi para iniciantes, onde ensinamos como gravar o sistema e habilitar as interfaces básicas.

Passo 1 — Atualizar o sistema e instalar os pacotes Hailo

Abra o terminal do Raspberry Pi e execute a atualização dos repositórios:

sudo apt update && sudo apt full-upgrade -y

Em seguida, instale o pacote de suporte ao acelerador de IA e os modelos de exemplo pré-compilados:

sudo apt install hailo-all rpicam-apps -y

Após a instalação, reinicie a placa para carregar os módulos do kernel:

sudo reboot

Passo 2 — Verificar a detecção física do chip

Após reiniciar, confirme que a interface PCIe identificou a NPU Hailo executando:

hailortcli fw-control identify

O comando exibirá o modelo do chip (Hailo-8 ou Hailo-8L), a versão do firmware e o número de série da unidade.

Passo 3 — Rodar detecção de objetos com câmera em tempo real

Com a câmera conectada, execute o aplicativo de demonstração apontando para o arquivo de configuração do YOLOv8 conforme o guia de inicialização oficial da fundação:

rpicam-hello -t 0 --post-process-file /usr/share/rpi-camera-assets/hailo_yolov8_inference.json

Uma janela será aberta exibindo a imagem ao vivo da câmera com caixas delimitadoras e identificação em tempo real de pessoas, cadeiras, garrafas, celulares e centenas de outros objetos da base de dados COCO, com latência mínima.

Projetos práticos para criar: da automação à robótica educativa

A disponibilidade de aceleração neural de baixo consumo em uma placa compacta abre portas para projetos práticos essenciais no laboratório maker:

1. Monitoramento Inteligente de Fauna e Segurança Perimetral

Câmeras de segurança comuns sofrem com alarmes falsos causados por galhos balançando com o vento ou variações de iluminação. Com o AI HAT+, a câmera pode rodar filtros de segmentação local, acionando alertas apenas quando uma pessoa ou veículo específico cruzar uma linha virtual delimitada no quintal ou na fazenda, operando de forma autônoma sem conexão com a internet.

2. Robótica Móvel e Veículos Autônomos Educacionais

Em robôs educativos, a latência de comunicação com a nuvem inviabiliza a tomada de decisão rápida. Integrando o Raspberry Pi 5 a microcontroladores como o Arduino para controle de motores — recurso que exploramos em detalhes no nosso Laboratório Arduino TecMaker —, o robô consegue identificar obstáculos, ler placas de trânsito em miniatura e seguir trajetórias em tempo real enquanto desvia de objetos móveis.

3. Controle de Qualidade em Oficinas Maker

Para quem gerencia laboratórios de fabricação digital ou impressoras 3D, uma câmera com o modelo Hailo pode vigiar a mesa de impressão continuamente. Ao detectar a formação de fiapos ou falhas de adesão na primeira camada (“espaguete”), o script pode enviar um comando automático para pausar o trabalho antes que centenas de gramas de filamento sejam desperdiçadas.

Consumo elétrico, aquecimento e cuidados de montagem

Embora a NPU da Hailo seja extremamente eficiente, o Raspberry Pi 5 por si só dissipa calor considerável quando sua CPU trabalha em frequências elevadas. A combinação das duas placas exige atenção mecânica e térmica:

1. Uso recomendado do Active Cooler: O AI HAT+ foi projetado com espaçadores de 16 milímetros para ser instalado exatamente sobre o dissipador com ventoinha oficial do Raspberry Pi (Active Cooler). A placa de expansão possui uma abertura central que permite a exaustão contínua do ar aquecido da CPU.
2. Fonte de Alimentação Adequada: Para garantir estabilidade quando a NPU opera sob carga contínua paralelamente à CPU e periféricos USB, recomenda-se a fonte oficial de 27W (5.1V / 5A com suporte a USB-PD) da Raspberry Pi. Fontes genéricas de celular de menor potência podem disparar avisos de subtensão durante picos de inferência.
3. Cuidado com o Cabo FPC: A fita flexível que liga o conector PCIe da placa ao HAT deve ser inserida com cuidado nas travas plásticas, com os contatos metálicos voltados para a posição correta indicada no manual, evitando dobras vincadas que possam danificar as trilhas de alta frequência.

Perguntas frequentes sobre o Raspberry Pi AI HAT+

O AI HAT+ original serve para rodar modelos de linguagem como o ChatGPT?

A primeira geração do AI HAT+ (com Hailo-8 e Hailo-8L) foi arquitetada primordialmente para processamento de redes neurais convolucionais (CNNs) e transformadores de visão computacional. Ela não possui memória RAM própria para armazenar os bilhões de pesos de um Large Language Model (LLM). Para projetos de linguagem generativa local no Raspberry Pi 5, a solução recomendada pelo fabricante é a nova geração AI HAT+ 2 de 40 TOPS ou o processamento otimizado de pequenos modelos na própria CPU do Raspberry Pi 5.

Posso usar qualquer câmera USB com o módulo?

Sim. Embora a integração com o rpicam-apps seja otimizada para câmeras conectadas às portas MIPI CSI nativas da placa, a biblioteca HailoRT disponibiliza APIs em Python e C++ que aceitam quadros de vídeo capturados via OpenCV a partir de webcams USB comuns.

Onde encontrar projetos e tutoriais práticos?

Você pode acompanhar tutoriais passo a passo diretamente na nossa subcategoria de Projetos Práticos no TecMaker, além de consultar a documentação da fundação Raspberry Pi para novos exemplos de modelos pré-compilados.

O próximo passo para a sua bancada maker

A inteligência artificial deixou de ser um recurso exclusivo de datacenters distantes para se transformar em um componente eletrônico de bancada. O Raspberry Pi AI HAT+ representa um avanço concreto para a comunidade maker brasileira, permitindo criar dispositivos inteligentes que protegem a privacidade dos dados, funcionam em locais remotos sem internet e respondem ao mundo físico em fração de segundo.

Se você quer aprofundar suas habilidades em projetos físicos e eletrônica prática, continue navegando pelos projetos da nossa seção de Projetos Práticos e conheça os experimentos interativos disponíveis na nossa Central de Ferramentas do TecMaker.

Equipe TecMaker

A Equipe TecMaker é o núcleo editorial e de testes do portal, dedicada a trazer análises imparciais, comparativos de produtos e as últimas notícias do universo da tecnologia. Nosso objetivo é decodificar a inovação e ajudar nossos leitores a fazerem as melhores escolhas no mercado digital e de dispositivos emergentes.