Mit dem Raspberry Pi AI HAT+ bekommt der Pi 5 einen dedizierten KI-Beschleunigungschip – und der Unterschied ist dramatisch. Wo die CPU des Pi 5 bei Echtzeit-Objekterkennung auf 5–8 Bilder pro Sekunde kommt, verarbeitet der AI HAT+ bis zu 136 Frames pro Sekunde. In diesem Artikel erkläre ich die drei aktuellen Varianten, zeige die Installation Schritt für Schritt und stelle praxisnahe Projekte vor – von der smarten Überwachungskamera bis zum lokalen Sprachmodell.
Die drei Varianten im Überblick
Seit Januar 2026 gibt es drei Versionen des AI HAT+. Die Wahl hängt davon ab, was du damit machen möchtest:
| Produkt | Chip | TOPS | RAM | Preis (USD) | Erschienen |
|---|---|---|---|---|---|
| AI HAT+ (13 TOPS) | Hailo-8L | 13 TOPS | – | $70 | Oktober 2024 |
| AI HAT+ (26 TOPS) | Hailo-8 | 26 TOPS | – | $110 | Oktober 2024 |
| AI HAT+ 2 (40 TOPS) | Hailo-10H | 40 TOPS | 8 GB LPDDR4X | $130 | Januar 2026 |
TOPS (Tera Operations Per Second) ist die Kennzahl für die Rechenleistung bei KI-Berechnungen. Je höher, desto mehr Modelle laufen gleichzeitig oder desto größere Modelle sind möglich.
Was unterscheidet die drei Chips?
Der Hailo-8L (13 TOPS) ist der Einstiegs-Chip – ideal für eine einzelne Aufgabe wie Objekterkennung oder Gesichtserkennung in Echtzeit. Er arbeitet mit dem kompakten YOLOv8s-Modell und ist die beste Wahl für Heimüberwachung mit Frigate NVR.
Der Hailo-8 (26 TOPS) verdoppelt die Rechenleistung. Er kann mehrere Modelle gleichzeitig ausführen, verarbeitet größere YOLOv8m-Modelle mit mehr Genauigkeit und schafft bis zu 136 FPS bei kleinen Modellen. Für die meisten Maker-Projekte ist das die beste Wahl.
Der Hailo-10H (40 TOPS, AI HAT+ 2) ist ein grundlegend anderes Produkt: Er bringt 8 GB eigenen RAM mit und kann damit erstmals lokale Sprachmodelle (LLMs) direkt auf dem Chip ausführen – Llama 3.2 (1B), Qwen 2.5 (1,5B) oder DeepSeek R1 (1,5B). Zusätzlich beherrscht er alle Vision-Aufgaben der Vorgänger.
Technischer Anschluss: Warum PCIe Gen 3 wichtig ist
Der AI HAT+ verbindet sich über den HAT+-Connector des Pi 5 und kommuniziert intern über PCIe Gen 3 (x1). Das ist der entscheidende Unterschied zum älteren AI Kit (M.2-Modul): Beim AI HAT+ ist der Hailo-Chip direkt auf die Platine gelötet – keine Wackelkontakte, bessere Wärmeabfuhr, kompakterer Aufbau.
PCIe Gen 3 wird beim AI HAT+ automatisch aktiviert – kein manueller Eingriff in raspi-config nötig. Das ist ein wesentlicher Vorteil gegenüber dem älteren AI Kit.
Wichtig: Der AI HAT+ ist ausschließlich mit dem Raspberry Pi 5 und dem Compute Module 5 kompatibel. Auf älteren Pi-Modellen funktioniert er nicht.
Hardware installieren
- Raspberry Pi 5 ausschalten und vom Strom trennen
- AI HAT+ auf den 40-Pin-GPIO-Connector aufstecken
- Vier Abstandsbolzen einschrauben (liegen dem HAT+ bei)
- Netzteil anschließen und booten
Einen aktiven Kühler für den Pi 5 empfehle ich zusätzlich – der AI HAT+ selbst bleibt kühl (die PCB fungiert als Heatspreader), aber der Pi 5 selbst erwärmt sich unter KI-Last stärker.
Software installieren
Voraussetzungen
- Raspberry Pi OS Trixie oder Bookworm (64-Bit) – aktuell halten mit
sudo apt full-upgrade - Offizielles 27W Netzteil (AI HAT+ 26 TOPS zieht unter Last bis 4,5 W zusätzlich)
Installation (zwei Befehle)
|
1 2 3 4 |
# Schritt 1: System und Firmware aktualisieren sudo apt update && sudo apt full-upgrade -y sudo rpi-eeprom-update -a sudo reboot |
|
1 2 3 4 |
# Schritt 2: Hailo-Software installieren sudo apt install dkms -y sudo apt install hailo-all -y sudo reboot |
Das Paket hailo-all enthält alles Notwendige: den Kernel-Treiber (via DKMS), die HailoRT-Laufzeitumgebung, Python-Bindings und die TAPPAS GStreamer-Plugins für Multimedia-Pipelines.
Installation überprüfen
|
1 2 |
# Hailo-Gerät erkennen hailortcli scan |
Erwartete Ausgabe:
|
1 |
Hailo-8 device - PCIe (BDF: 0001:01:00.0) |
|
1 2 |
# Chip-Informationen anzeigen hailortcli fw-control identify |
Häufige Installationsprobleme
Gerät wird nicht erkannt: Prüfe ob der HAT+ physisch korrekt sitzt:
|
1 |
lspci | grep Hailo |
Performance nur 50 % der erwarteten FPS: Wahrscheinlich läuft PCIe noch auf Gen 2. Prüfen:
|
1 |
sudo vcgencmd get_config | grep pcie |
Erste Schritte: Beispiele ausprobieren
Hailo stellt ein offizielles Beispiel-Repository bereit:
|
1 2 3 4 |
git clone https://github.com/hailo-ai/hailo-rpi5-examples.git cd hailo-rpi5-examples ./install.sh source setup_env.sh |
Echtzeit-Objekterkennung starten
|
1 2 3 4 5 6 7 8 |
# Mit Raspberry Pi Kamera (CSI) python3 basic_pipelines/detection.py --input rpi -f # Mit USB-Webcam python3 basic_pipelines/detection.py --input /dev/video0 # Mit IP-Kamera (RTSP) python3 basic_pipelines/detection.py --input rtsp://192.168.1.100/stream |
Das Modell wird automatisch je nach Chip gewählt: Hailo-8L → YOLOv8s, Hailo-8 → YOLOv8m.
Pose Estimation – Skelett-Erkennung
|
1 |
python3 basic_pipelines/pose_estimation.py --input rpi -f |
Erkennt 17 Körperpunkte in Echtzeit: Nase, Augen, Schultern, Ellbogen, Hüften, Knie und mehr.
Instance Segmentation
|
1 |
python3 basic_pipelines/instance_segmentation.py --input rpi -f |
Kombiniert Objekterkennung mit pixelgenauer Segmentierung – jedes erkannte Objekt erhält eine farbige Maske.
Praxis-Projekt: Frigate NVR – smarte Heimüberwachung
Frigate ist ein lokales NVR (Network Video Recorder) mit KI-Objekterkennung, das sich nahtlos in Home Assistant integriert. Mit dem AI HAT+ läuft die Personenerkennung in Echtzeit, ohne die CPU zu belasten – ideal für 24/7-Betrieb.
Wichtig für Frigate: Es werden spezifische Treiberversionen benötigt (nicht die neuesten):
|
1 2 3 4 5 |
sudo apt install \ hailo-dkms=4.19.0-1 \ hailort=4.19.0-3 \ python3-hailort=4.19.0-2 \ hailo-tappas-core=3.30.0-1 |
Die Docker-Compose-Konfiguration für Frigate mit Hailo:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
services: frigate: container_name: frigate privileged: true restart: unless-stopped image: ghcr.io/blakeblackshear/frigate:stable-h8l devices: - /dev/hailo0:/dev/hailo0 volumes: - /etc/localtime:/etc/localtime:ro - ./config:/config - ./storage:/media/frigate - type: tmpfs target: /tmp/cache tmpfs: size: 1000000000 ports: - "5000:5000" - "8554:8554" - "8555:8555/tcp" - "8555:8555/udp" |
Frigate-Konfiguration (config.yml) mit Hailo-Detektor:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 |
detectors: hailo: type: hailo8l device: PCIe model: width: 300 height: 300 model_type: ssd path: /config/model_cache/h8l_cache/ssd_mobilenet_v1.hef cameras: eingangsbereich: ffmpeg: inputs: - path: rtsp://192.168.1.100/cam roles: - detect - record detect: enabled: true width: 1280 height: 720 fps: 5 |
Performance-Benchmarks: Was bringt der HAT+ wirklich?
| Szenario | Modell | FPS |
|---|---|---|
| Pi 5 CPU (kein Accelerator) | YOLOv8n | 5–8 FPS |
| AI HAT+ 13 TOPS (Hailo-8L) | YOLOv8s | 60–80 FPS |
| AI HAT+ 26 TOPS (Hailo-8) | YOLOv8s | ~80 FPS |
| AI HAT+ 26 TOPS (Hailo-8) | YOLOv8n (batch=8) | 136 FPS |
| AI HAT+ 26 TOPS (Hailo-8) | YOLOv8m | 50–60 FPS |
| AI HAT+ 2 (Hailo-10H) | YOLOv8m | > 60 FPS |
Vergleich mit anderen KI-Beschleunigern
| Accelerator | TOPS | MobileNetV2 FPS | Preis | Pi 5 Kompatibilität |
|---|---|---|---|---|
| Hailo-8 (AI HAT+ 26T) | 26 | > 2.500 | $110 | Nativ (apt) |
| Hailo-8L (AI HAT+ 13T) | 13 | ~1.200 | $70 | Nativ (apt) |
| Google Coral Edge TPU (dual) | 8 | ~800 | ~$40 | Separat einrichten |
| Google Coral Edge TPU (single) | 4 | ~400 | ~$25 | Separat einrichten |
| Intel NCS2 | ~1 | ~594 | ~$70 (EOL) | Nicht offiziell |
| Pi 5 CPU | ~0,5 | ~40 | – | – |
Der Hailo-8 ist nicht nur schneller als die Konkurrenz – er ist auch deutlich energieeffizienter. Mit ~6–7 TOPS pro Watt verbraucht er bei Inferenz deutlich weniger als Intel NCS2 (~0,4 TOPS/W) oder Google Coral (~2 TOPS/W). Für 24/7-Betrieb wie eine Heimüberwachungskamera ist das ein entscheidender Vorteil.
Welche Kamera passt zum AI HAT+?
Alle Raspberry Pi Kameramodule mit CSI-Anschluss funktionieren direkt:
- Camera Module 3 (12 MP, IMX708) – Empfehlung, Wide-Angle-Variante ideal für Überwachung
- HQ Camera (12 MP, IMX477) – mit Wechselobjektiven, für hohe Bildqualität
- Camera Module 2 (8 MP, IMX219) – günstige Einstiegsoption
Zusätzlich funktionieren USB-Webcams und IP-Kameras über RTSP-Stream.
Welche Variante ist die richtige für dich?
AI HAT+ 13 TOPS ($70) – wählen, wenn:
Du eine einzelne Aufgabe in Echtzeit erledigen willst (Personenerkennung, Frigate NVR). Für Heimüberwachung mit einer Kamera ist der Hailo-8L vollkommen ausreichend.
AI HAT+ 26 TOPS ($110) – wählen, wenn:
Du mehrere Modelle gleichzeitig nutzen, größere YOLOv8-Varianten verwenden oder maximale FPS bei einer Kamera erreichen willst. Beste Wahl für die meisten Maker-Projekte.
AI HAT+ 2 – 40 TOPS ($130) – wählen, wenn:
Du lokale Sprachmodelle (LLMs) direkt auf dem Pi ausführen willst. Llama 3.2 (1B), Qwen 2.5 (1,5B) oder DeepSeek R1 (1,5B) laufen direkt auf dem Hailo-10H-Chip, ohne die Pi-5-CPU zu belasten. Die 8 GB eigener RAM sind hier der entscheidende Unterschied.
Fazit
Der Raspberry Pi AI HAT+ ist keine Spielerei – er verwandelt den Pi 5 in eine ernstzunehmende Edge-AI-Plattform. Die Installation ist mit zwei Befehlen erledigt, fertige Beispiele laufen sofort, und die Integration in Projekte wie Frigate NVR ist gut dokumentiert.
Wer mit Heimüberwachung oder einfacher Computer-Vision anfangen will, ist mit dem 13-TOPS-Modell für $70 gut bedient. Für anspruchsvollere Projekte lohnt der Aufpreis auf 26 TOPS. Und mit dem neuen AI HAT+ 2 (40 TOPS) läuft erstmals ein vollständiges LLM direkt auf dem Pi – das eröffnet komplett neue Möglichkeiten für lokale, datenschutzfreundliche KI-Assistenten.
