Ultralytics YOLO11 on NVIDIA Jetson using DeepStream SDK and TensorRT
شاهد: How to Run Multiple Streams with DeepStream SDK on Jetson Nano using Ultralytics YOLO11
This comprehensive guide provides a detailed walkthrough for deploying Ultralytics YOLO11 on NVIDIA Jetson devices using DeepStream SDK and TensorRT. Here we use TensorRT to maximize the inference performance on the Jetson platform.
ملاحظه
تم اختبار هذا الدليل مع كل من Seeed Studio reComputer J4012 الذي يعتمد على NVIDIA Jetson Orin NX 16GB الذي يعمل بإصدار JetPack JP5.1.3 وSeeed Studio reComputer J1020 v2 الذي يعتمد على NVIDIA Jetson Nano 4GB الذي يعمل بإصدار JetPack JP4.6.4. من المتوقع أن يعمل عبر جميع مجموعة أجهزة NVIDIA Jetson بما في ذلك الأحدث والقديم.
ما هو NVIDIA DeepStream؟
NVIDIA's DeepStream SDK is a complete streaming analytics toolkit based on GStreamer for AI-based multi-sensor processing, video, audio, and image understanding. It's ideal for vision AI developers, software partners, startups, and OEMs building IVA (Intelligent Video Analytics) apps and services. You can now create stream-processing pipelines that incorporate neural networks and other complex processing tasks like tracking, video encoding/decoding, and video rendering. These pipelines enable real-time analytics on video, image, and sensor data. DeepStream's multi-platform support gives you a faster, easier way to develop vision AI applications and services on-premise, at the edge, and in the cloud.
المتطلبات المسبقه
قبل البدء في اتباع هذا الدليل:
- Visit our documentation, Quick Start Guide: NVIDIA Jetson with Ultralytics YOLO11 to set up your NVIDIA Jetson device with Ultralytics YOLO11
-
قم بتثبيت DeepStream SDK وفقًا لإصدار JetPack
- بالنسبة ل JetPack 4.6.4، قم بتثبيت DeepStream 6.0.1
- بالنسبة إلى JetPack 5.1.3، قم بتثبيت DeepStream 6.3
بقشيش
استخدمنا في هذا الدليل طريقة حزمة دبيان لتثبيت DeepStream SDK على جهاز Jetson. يمكنك أيضًا زيارة DeepStream SDK على Jetson (مؤرشف) للوصول إلى الإصدارات القديمة من DeepStream.
DeepStream Configuration for YOLO11
نحن هنا نستخدم مستودع Marcoslucianops/DeepStream-Yolo GitHub الذي يتضمن دعم NVIDIA DeepStream SDK لنماذج YOLO . نحن نقدر جهود marcoslucianops على مساهماته!
-
تثبيت التبعيات
-
استنساخ المستودع التالي
-
Download Ultralytics YOLO11 detection model (.pt) of your choice from YOLO11 releases. Here we use yolov8s.pt.
ملاحظه
You can also use a custom trained YOLO11 model.
-
تحويل النموذج إلى ONNX
مرر الوسيطات أدناه إلى الأمر أعلاه
بالنسبة إلى DeepStream 6.0.1 ، استخدم opset 12 أو أقل. المرجع الافتراضي هو 16.
لتغيير حجم الاستدلال (افتراضي: 640)
مثال ل 1280:
لتبسيط ONNX نموذج (ديب ستريم > = 6.0)
لاستخدام حجم الدفعة الديناميكي (DeepStream > = 6.1)
لاستخدام حجم الدفعة الثابت (مثال لحجم الدفعة = 4)
-
قم بتعيين الإصدار CUDA وفقًا لإصدار JetPack المثبت
لجت باك 4.6.4:
لجت باك 5.1.3:
-
تجميع المكتبة
-
قم بتحرير
config_infer_primary_yoloV8.txt
وفقا للطراز الخاص بك (ل YOLOv8s مع 80 فصلا) -
قم بتحرير
deepstream_app_config
ملف -
يمكنك أيضا تغيير مصدر الفيديو في
deepstream_app_config
ملف. هنا يتم تحميل ملف فيديو افتراضي
تشغيل الاستدلال
ملاحظه
سوف يستغرق الأمر وقتا طويلا لإنشاء ملف TensorRT ملف المحرك قبل بدء الاستدلال. لذا يرجى التحلي بالصبر.
بقشيش
If you want to convert the model to FP16 precision, simply set model-engine-file=model_b1_gpu0_fp16.engine
و network-mode=2
داخل config_infer_primary_yoloV8.txt
معايرة INT8
إذا كنت تريد استخدام دقة INT8 للاستدلال ، فأنت بحاجة إلى اتباع الخطوات أدناه
-
جبر
OPENCV
متغير البيئة -
تجميع المكتبة
-
بالنسبة لمجموعة بيانات COCO، قم بتنزيل فال2017واستخرج، وانتقل إلى
DeepStream-Yolo
مجلد -
إنشاء دليل جديد لصور المعايرة
-
قم بتشغيل ما يلي لتحديد 1000 صورة عشوائية من مجموعة بيانات COCO لتشغيل المعايرة
ملاحظه
NVIDIA recommends at least 500 images to get a good accuracy. On this example, 1000 images are chosen to get better accuracy (more images = more accuracy). You can set it from head -1000. For example, for 2000 images, head -2000. This process can take a long time.
-
إنشاء
calibration.txt
ملف مع جميع الصور المحددة -
تعيين متغيرات البيئة
ملاحظه
ستؤدي قيم INT8_CALIB_BATCH_SIZE الأعلى إلى دقة أكبر وسرعة معايرة أسرع. اضبطها وفقًا لذاكرتك GPU .
-
قم بتحديث
config_infer_primary_yoloV8.txt
ملفمن
ل
تشغيل الاستدلال
إعداد متعدد الدفق
لإعداد تدفقات متعددة ضمن تطبيق تدفق عميق واحد، يمكنك إجراء التغييرات التالية على deepstream_app_config.txt
ملف
-
قم بتغيير الصفوف والأعمدة لإنشاء عرض شبكي وفقا لعدد التدفقات التي تريدها. على سبيل المثال ، بالنسبة إلى 4 تدفقات ، يمكننا إضافة صفين وعمودين.
-
جبر
num-sources=4
وأضفuri
من جميع تيارات 4
تشغيل الاستدلال
النتائج المعيارية
يلخص الجدول التالي كيفية أداء نماذج YOLOv8s على مستويات مختلفة من الدقة TensorRT مع حجم إدخال 640 × 640 على NVIDIA Jetson Orin NX 16GB.
اسم الموديل | دقة | وقت الاستدلال (م/م) | إطارا في الثانية |
---|---|---|---|
YOLOv8s | FP32 | 15.63 | 64 |
FP16 | 7.94 | 126 | |
INT8 | 5.53 | 181 |
الاعترافات
تم إنشاء هذا الدليل في البداية من قبل أصدقائنا في Seeed Studio و Lakshantha و Elaine.
الأسئلة المتداولة
How do I set up Ultralytics YOLO11 on an NVIDIA Jetson device?
To set up Ultralytics YOLO11 on an NVIDIA Jetson device, you first need to install the DeepStream SDK compatible with your JetPack version. Follow the step-by-step guide in our Quick Start Guide to configure your NVIDIA Jetson for YOLO11 deployment.
What is the benefit of using TensorRT with YOLO11 on NVIDIA Jetson?
Using TensorRT with YOLO11 optimizes the model for inference, significantly reducing latency and improving throughput on NVIDIA Jetson devices. TensorRT provides high-performance, low-latency deep learning inference through layer fusion, precision calibration, and kernel auto-tuning. This leads to faster and more efficient execution, particularly useful for real-time applications like video analytics and autonomous machines.
Can I run Ultralytics YOLO11 with DeepStream SDK across different NVIDIA Jetson hardware?
Yes, the guide for deploying Ultralytics YOLO11 with the DeepStream SDK and TensorRT is compatible across the entire NVIDIA Jetson lineup. This includes devices like the Jetson Orin NX 16GB with JetPack 5.1.3 and the Jetson Nano 4GB with JetPack 4.6.4. Refer to the section DeepStream Configuration for YOLO11 for detailed steps.
How can I convert a YOLO11 model to ONNX for DeepStream?
To convert a YOLO11 model to ONNX format for deployment with DeepStream, use the utils/export_yoloV8.py
نص من ديب ستريم-Yolo مستودع.
إليك مثال على ذلك الأمر
لمزيد من التفاصيل حول تحويل النماذج، راجع قسم تصدير النماذج لدينا.
What are the performance benchmarks for YOLO on NVIDIA Jetson Orin NX?
The performance of YOLO11 models on NVIDIA Jetson Orin NX 16GB varies based on TensorRT precision levels. For example, YOLOv8s models achieve:
- دقة FP32: 15.63 مترًا في الثانية، 64 إطارًا في الثانية
- دقة FP16: 7.94 متر/متر، 126 إطارًا في الثانية
- الدقة INT8: 5.53 متر/متر، 181 إطارًا في الثانية
These benchmarks underscore the efficiency and capability of using TensorRT-optimized YOLO11 models on NVIDIA Jetson hardware. For further details, see our Benchmark Results section.