YOLO Vision 2026:

Luxonis OAK Deployment für Ultralytics YOLO#

Luxonis OAK cameras führen Ultralytics YOLO-Modelle nach der Konvertierung mit den Luxonis-Tools auf dem Gerät aus. Dies ist ein manueller Bereitstellungsworkflow; Luxonis ist kein natives Ultralytics model.export(format="...")-Ziel.

Dieser Leitfaden behandelt RVC2- und RVC4-Geräte. Konvertiere für die Plattform deiner Kamera: RVC2- und RVC4-Artefakte sind nicht austauschbar. Unterstützte Modellfamilien und Aufgaben variieren; überprüfe die Luxonis Tools support matrix vor der Konvertierung.

Beginne mit einem unterstützten YOLO .pt-Checkpunkt wie yolo26n.pt oder deinem eigenen trained model. Das konvertierte NN Archive verpackt das Modell und die Laufzeitmetadaten.

Cloud-Konvertierung mit Luxonis Hub#

  1. Melde dich bei Luxonis Hub an und öffne Quick Conversion.
  2. Wähle YOLO, wähle RVC2 oder RVC4 und lade deinen .pt-Checkpunkt hoch.
  3. Lege die Eingabeform und die Konvertierungsparameter fest und sende dann die Konvertierung ab.
  4. Kopiere nach Abschluss die Kennung des konvertierten Modells für das Inferenzbeispiel unten oder lade das NN Archive herunter.

Verwende für die automatisierte Konvertierung oder benutzerdefinierte RVC4-Kalibrierungsdaten das HubAI SDK. Befolge die Installationsanweisungen in einer Python 3.10+-Umgebung. Detailed Conversion bietet Registrierungsverwaltung und vordefinierte Kalibrierungsdatensätze.

Lokale Konvertierung mit Tools und ModelConverter#

Verwende Python 3.10+ und Docker. Installiere Luxonis Tools gemäß den Upstream-Einrichtungsanweisungen einschließlich der Abhängigkeitsbeschränkungen. Tools bereitet YOLO-Ausgaben für das Luxonis-Parsing vor; ein generischer ONNX-Export ersetzt diesen Schritt nicht.

# Export the checkpoint to an ONNX NN Archive
tools yolo26n.pt --imgsz "640 640" --output-dir output

# Install the target-platform converter
pip install modelconv==0.6.0

Tools schreibt yolo26n.tar.xz in ein Verzeichnis mit Zeitstempel unter output/. Ersetze den Beispielfad unten durch diese Datei. Fülle calibration_images/ für die RVC4 INT8-Konvertierung mit repräsentativen Bereitstellungsbildern; siehe die calibration data requirements.

modelconverter convert rvc4 --path output/yolo26n_20260807_104858/yolo26n.tar.xz \
  calibration.path calibration_images/

Verwende für RVC2 rvc2 anstelle von rvc4; Kalibrierungsbilder sind für dessen FP16-Konvertierung nicht erforderlich. Verwende das resultierende kompilierte NN Archive aus dem Ausgabeverzeichnis von ModelConverter für die Inferenz anstelle des intermediären ONNX-Archivs. Siehe ModelConverter für Ausgabepfade und plattformspezifische Optionen.

Inferenz auf einer OAK-Kamera ausführen#

Schließe eine kompatible OAK-Kamera an und installiere DepthAI in deiner Python-Umgebung:

pip install depthai==3.9.0

Setze für ein privates Hub-Modell DEPTHAI_HUB_API_KEY auf einen Luxonis Hub API key, bevor du das Skript ausführst. Ersetze your-model-identifier durch die Kennung aus Hub oder verwende die lokale kompilierte NN Archive-Alternative.

import depthai as dai

model = "your-model-identifier"
# Alternatively, use your converted local artifact:
# model = dai.NNArchive("path/to/model.rvc4.tar.xz")

visualizer = dai.RemoteConnection()

with dai.Pipeline() as pipeline:
    camera = pipeline.create(dai.node.Camera).build()
    detection = pipeline.create(dai.node.DetectionNetwork).build(camera, model)

    visualizer.addTopic("rgb", detection.passthrough, group="RGB")
    visualizer.addTopic("detections", detection.out, group="RGB")

    pipeline.start()
    visualizer.registerPipeline(pipeline)

    while pipeline.isRunning():
        if visualizer.waitKey(1) == ord("q"):
            pipeline.stop()

Öffne http://localhost:8082, um den RGB-Datenstrom und die Erkennungen anzuzeigen. DetectionNetwork unterstützt auch kompatible instance segmentation- und pose-Modelle. Befolge für andere Aufgaben einschließlich semantischer Segmentierung und Klassifizierung die task-specific inference guidance.

Siehe für Stereo-Tiefenpipelines das spatial detection example. Messe dein Modell auf der Zielkamera mithilfe des benchmarking guide; der Durchsatz hängt vom Modell, der Eingabegröße, der Präzision und der Pipeline-Konfiguration ab.

Mitwirkende
KLklemen19991

Kommentare