YOLO Vision 2026:

Despliegue de Luxonis OAK para Ultralytics YOLO#

Las cámaras Luxonis OAK ejecutan modelos de Ultralytics YOLO en el dispositivo tras la conversión con las herramientas de Luxonis. Este es un flujo de trabajo de despliegue manual; Luxonis no es un destino nativo de Ultralytics model.export(format="...").

Esta guía cubre los dispositivos RVC2 y RVC4. Realiza la conversión para la plataforma de tu cámara: los artefactos de RVC2 y RVC4 no son intercambiables. Las familias de modelos y las tareas compatibles varían; consulta la matriz de compatibilidad de Luxonis Tools antes de la conversión.

Empieza con un punto de control de YOLO .pt compatible, como yolo26n.pt, o con tu propio modelo entrenado. El archivo NN convertido empaqueta el modelo y los metadatos de tiempo de ejecución.

Conversión en la nube con Luxonis Hub#

  1. Inicia sesión en Luxonis Hub y abre Quick Conversion.
  2. Selecciona YOLO, elige RVC2 o RVC4 y sube tu punto de control .pt.
  3. Configura la forma de entrada y los parámetros de conversión, y luego envía la conversión.
  4. Una vez finalizada, copia el identificador del modelo convertido para el ejemplo de inferencia que aparece a continuación o descarga su archivo NN.

Para una conversión automatizada o datos de calibración personalizados de RVC4, utiliza el HubAI SDK. Sigue sus instrucciones de instalación en un entorno de Python 3.10+. Detailed Conversion proporciona gestión de registros y conjuntos de datos de calibración predefinidos.

Conversión local con Tools y ModelConverter#

Utiliza Python 3.10+ y Docker. Instala Luxonis Tools siguiendo sus instrucciones de configuración originales, incluidas las restricciones de dependencias. Tools prepara las salidas de YOLO para el análisis sintáctico de Luxonis; una exportación de ONNX genérica no reemplaza este paso.

# 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 escribe yolo26n.tar.xz dentro de un directorio con marca de tiempo en output/. Reemplaza la ruta de ejemplo a continuación con ese archivo. Para la conversión INT8 de RVC4, rellena calibration_images/ con imágenes de despliegue representativas; consulta los requisitos de datos de calibración.

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

Para RVC2, utiliza rvc2 en lugar de rvc4; no se necesitan imágenes de calibración para su conversión a FP16. Utiliza el archivo NN compilado resultante del directorio de salida de ModelConverter para la inferencia, en lugar del archivo ONNX intermedio. Consulta ModelConverter para conocer las rutas de salida y las opciones específicas de la plataforma.

Ejecutar la inferencia en una cámara OAK#

Conecta una cámara OAK compatible e instala DepthAI en tu entorno de Python:

pip install depthai==3.9.0

Para un modelo privado de Hub, establece DEPTHAI_HUB_API_KEY en una clave de API de Luxonis Hub antes de ejecutar el script. Reemplaza your-model-identifier con el identificador de Hub o utiliza la alternativa del archivo NN compilado local.

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()

Abre http://localhost:8082 para ver el flujo RGB y las detecciones. DetectionNetwork también admite modelos compatibles de segmentación de instancias y pose. Para otras tareas, incluidas la segmentación semántica y la clasificación, sigue la guía de inferencia específica de tareas.

Para los canales de profundidad estéreo, consulta el ejemplo de detección espacial. Mide tu modelo en la cámara de destino utilizando la guía de evaluación comparativa; el rendimiento depende del modelo, el tamaño de entrada, la precisión y la configuración del canal.

Colaboradores
KLklemen19991

Comentarios