Zum Inhalt springen

Schnellstartanleitung: Seeed Studio reCamera mit Ultralytics YOLO11

reCamera wurde der KI-Community auf der YOLO Vision 2024 (YV24), der jährlichen Hybridveranstaltung von Ultralytics, vorgestellt. Sie wurde hauptsächlich für Edge-KI-Anwendungen entwickelt und bietet leistungsstarke Verarbeitungsfunktionen und mühelose Bereitstellung.

Mit Unterstützung für verschiedene Hardwarekonfigurationen und Open-Source-Ressourcen dient es als ideale Plattform für die Prototypenerstellung und den Einsatz innovativer Computer Vision-Lösungen am Edge.

Seeed Studio reCamera

Warum reCamera wählen?

Die reCamera-Serie wurde speziell für Edge-KI-Anwendungen entwickelt und ist auf die Bedürfnisse von Entwicklern und Innovatoren zugeschnitten. Das zeichnet sie aus:

  • RISC-V-gestützte Leistung: Im Kern befindet sich der SG200X-Prozessor, der auf der RISC-V-Architektur basiert und eine außergewöhnliche Leistung für Edge-KI-Aufgaben bietet, während er gleichzeitig energieeffizient bleibt. Mit der Fähigkeit, 1 Billion Operationen pro Sekunde (1 TOPS) auszuführen, bewältigt er problemlos anspruchsvolle Aufgaben wie die Objekterkennung in Echtzeit.

  • Optimierte Videotechnologien: Unterstützt fortschrittliche Videokomprimierungsstandards, einschließlich H.264 und H.265, um Speicher- und Bandbreitenanforderungen zu reduzieren, ohne die Qualität zu beeinträchtigen. Funktionen wie HDR-Bildgebung, 3D-Rauschunterdrückung und Objektivkorrektur gewährleisten professionelle Bilder, selbst in anspruchsvollen Umgebungen.

  • Energieeffiziente Duale Verarbeitung: Während der SG200X komplexe KI-Aufgaben bewältigt, steuert ein kleinerer 8-Bit-Mikrocontroller einfachere Operationen, um Strom zu sparen, wodurch die reCamera ideal für batteriebetriebene oder stromsparende Setups ist.

  • Modulares und erweiterbares Design: Die reCamera ist mit einer modularen Struktur aufgebaut, die aus drei Hauptkomponenten besteht: der Hauptplatine, der Sensorplatine und der Basisplatine. Dieses Design ermöglicht es Entwicklern, Komponenten einfach auszutauschen oder aufzurüsten, was Flexibilität und Zukunftssicherheit für sich entwickelnde Projekte gewährleistet.

Schnelle Hardware-Einrichtung der reCamera

Bitte folgen Sie der reCamera-Schnellstartanleitung für das erste Onboarding des Geräts, wie z. B. das Verbinden des Geräts mit einem WLAN-Netzwerk und den Zugriff auf die Node-RED Web-UI zur schnellen Vorschau der Erkennungsergebnisse.

Inferenz mit vorinstallierten YOLO11-Modellen

reCamera wird mit vier vorinstallierten Ultralytics YOLO11-Modellen geliefert, und Sie können Ihr gewünschtes Modell einfach im Node-RED-Dashboard auswählen.

Schritt 1: Wenn Sie reCamera mit einem Netzwerk verbunden haben, geben Sie die IP-Adresse von reCamera in einem Webbrowser ein, um das Node-RED-Dashboard zu öffnen. Wenn Sie reCamera über USB mit einem PC verbunden haben, können Sie 192.168.42.1. Hier sehen Sie, dass das YOLO11n-Erkennungsmodell standardmäßig geladen wird.

reCamera YOLO11n Demo

Schritt 2: Klicken Sie auf den grünen Farbkreis in der unteren rechten Ecke, um auf den Node-RED-Flow-Editor zuzugreifen.

Schritt 3: Klicken Sie auf model Knoten und klicken Sie auf On Device.

Node-RED-Modellauswahl

Schritt 4: Wählen Sie eines der vier verschiedenen vorinstallierten YOLO11n-Modelle aus und klicken Sie auf Done. Hier werden wir beispielsweise YOLO11n Pose

Node-RED YOLO11n-Pose-Auswahl

Schritt 6: Klicken Sie auf Deploy und wenn die Bereitstellung abgeschlossen ist, klicken Sie auf Dashboard

reCamera Node-RED-Bereitstellung

Jetzt können Sie das YOLO11n-Pose-Schätzungsmodell in Aktion sehen!

reCamera YOLO11n-Pose Demo

Exportieren nach cvimodel: Konvertieren Ihres YOLO11-Modells

Wenn Sie ein benutzerdefiniert trainiertes YOLO11-Modell verwenden und es mit reCamera nutzen möchten, befolgen Sie bitte die folgenden Schritte.

Hier werden wir zuerst konvertieren PyTorch Modell zu ONNX und konvertieren Sie es dann in MLIR Modellformat. Abschließend MLIR wird konvertiert in cvimodel zur Inferenz auf dem Gerät

reCamera-Toolchain

Export nach ONNX

Exportieren eines Ultralytics YOLO11-Modells in das ONNX-Modellformat.

Installation

Um die erforderlichen Pakete zu installieren, führen Sie Folgendes aus:

Installation

pip install ultralytics

Detaillierte Anweisungen und Best Practices zum Installationsprozess finden Sie in unserem Ultralytics Installationshandbuch. Wenn Sie bei der Installation der erforderlichen Pakete für YOLO11 auf Schwierigkeiten stoßen, konsultieren Sie unser Handbuch zu häufigen Problemen für Lösungen und Tipps.

Nutzung

Nutzung

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx", opset=14)  # creates 'yolo11n.onnx'
# Export a YOLO11n PyTorch model to ONNX format
yolo export model=yolo11n.pt format=onnx opset=14 # creates 'yolo11n.onnx'

Weitere Informationen zum Exportprozess finden Sie auf der Ultralytics-Dokumentationsseite zum Exportieren.

ONNX nach MLIR und cvimodel exportieren

Nachdem Sie ein ONNX-Modell erhalten haben, lesen Sie die Seite Convert and Quantize AI Models, um das ONNX-Modell in MLIR und dann in cvimodel zu konvertieren.

Hinweis

Wir arbeiten aktiv daran, die reCamera-Unterstützung direkt in das Ultralytics-Paket zu integrieren, und sie wird bald verfügbar sein. In der Zwischenzeit können Sie sich unseren Blog über die Integration von Ultralytics YOLO-Modellen mit der reCamera von Seeed Studio ansehen, um weitere Einblicke zu erhalten.

Benchmarks

Kommt bald.

Anwendungsbereiche von reCamera in der Praxis

Die fortschrittlichen Computer-Vision-Funktionen und das modulare Design von reCamera machen es für eine Vielzahl von realen Szenarien geeignet und helfen Entwicklern und Unternehmen, einzigartige Herausforderungen mit Leichtigkeit zu bewältigen.

  • Sturzerkennung: Die reCamera wurde für Sicherheits- und Gesundheitsanwendungen entwickelt und kann Stürze in Echtzeit erkennen. Dies macht sie ideal für die Altenpflege, Krankenhäuser und industrielle Umgebungen, in denen eine schnelle Reaktion entscheidend ist.

  • Erkennung von persönlicher Schutzausrüstung: Die reCamera kann verwendet werden, um die Sicherheit am Arbeitsplatz zu gewährleisten, indem sie die Einhaltung der PSA in Echtzeit erkennt. Sie hilft zu erkennen, ob Arbeiter Helme, Handschuhe oder andere Sicherheitsausrüstung tragen, wodurch Risiken in industriellen Umgebungen reduziert werden.

Erkennung von persönlicher Schutzausrüstung

  • Brand Erkennung: Die Echtzeit-Verarbeitungsfähigkeiten der reCamera machen sie zu einer ausgezeichneten Wahl für die Brand Erkennung in Industrie- und Wohngebieten und bieten Frühwarnungen, um potenziellen Katastrophen vorzubeugen.

  • Abfallerkennung: Es kann auch für Anwendungen zur Abfallerkennung verwendet werden, was es zu einem hervorragenden Werkzeug für die Umweltüberwachung und das Abfallmanagement macht.

  • Erkennung von Autoteilen: In der Fertigungs- und Automobilindustrie hilft sie bei der Erkennung und Analyse von Autoteilen für die Qualitätskontrolle, die Überwachung der Montagelinie und die Bestandsverwaltung.

Erkennung von Autoteilen

FAQ

Wie installiere und richte ich reCamera zum ersten Mal ein?

Um Ihre reCamera zum ersten Mal einzurichten, führen Sie die folgenden Schritte aus:

  1. Schließen Sie die reCamera an eine Stromquelle an
  2. Verbinden Sie es mit Ihrem WLAN-Netzwerk mithilfe der reCamera-Schnellstartanleitung
  3. Greifen Sie auf die Node-RED Web-UI zu, indem Sie die IP-Adresse des Geräts in einem Webbrowser eingeben (oder verwenden Sie 192.168.42.1 wenn über USB verbunden)
  4. Nutzen Sie die vorinstallierten YOLO11-Modelle sofort über die Dashboard-Oberfläche

Kann ich meine benutzerdefinierten YOLO11-Modelle mit reCamera verwenden?

Ja, Sie können benutzerdefinierte trainierte YOLO11-Modelle mit reCamera verwenden. Der Prozess umfasst:

  1. Exportieren Sie Ihr PyTorch-Modell mit in das ONNX-Format model.export(format="onnx", opset=14)
  2. Konvertiert das ONNX-Modell in das MLIR-Format.
  3. Konvertiert die MLIR in das cvimodel-Format für die On-Device-Inferenz.
  4. Laden Sie das konvertierte Modell auf Ihre reCamera

Detaillierte Anweisungen finden Sie im Convert and Quantize AI Models Leitfaden.

Was unterscheidet reCamera von traditionellen IP-Kameras?

Im Gegensatz zu herkömmlichen IP-Kameras, die externe Hardware für die Verarbeitung benötigen, bietet reCamera:

  • Integriert KI-Verarbeitung direkt auf dem Gerät mit seinem RISC-V SG200X-Prozessor
  • Bietet 1 TOPS Rechenleistung für Echtzeit-Edge-KI-Anwendungen
  • Verfügt über ein modulares Design, das Komponenten-Upgrades und -Anpassungen ermöglicht
  • Unterstützt fortschrittliche Videotechnologien wie H.264/H.265-Komprimierung, HDR-Bildgebung und 3D-Rauschunterdrückung
  • Kommt mit vorinstallierten Ultralytics YOLO11 Modellen zur sofortigen Verwendung

Diese Funktionen machen reCamera zu einer eigenständigen Lösung für Edge-KI-Anwendungen, ohne dass zusätzliche externe Verarbeitungshardware erforderlich ist.



📅 Erstellt vor 7 Monaten ✏️ Aktualisiert vor 5 Monaten

Kommentare