Link to this sectionExportación a Rockchip RKNN para modelos Ultralytics YOLO26#

Al desplegar modelos de visión artificial en dispositivos embebidos, especialmente aquellos equipados con procesadores Rockchip, contar con un formato de modelo compatible es fundamental. Exportar modelos Ultralytics YOLO26 al formato RKNN asegura un rendimiento optimizado y compatibilidad con el hardware de Rockchip. Esta guía te explicará cómo convertir tus modelos YOLO26 al formato RKNN, incluyendo exportaciones en punto flotante y cuantizadas en INT8, lo que permite un despliegue eficiente en plataformas Rockchip.

Link to this section¿Qué es Rockchip?#

Reconocido por ofrecer soluciones versátiles y de bajo consumo, Rockchip diseña avanzados System-on-Chips (SoCs) que potencian una amplia gama de dispositivos electrónicos de consumo, aplicaciones industriales y tecnologías de IA. Con su arquitectura basada en ARM, unidades de procesamiento neuronal (NPUs) integradas y soporte multimedia de alta resolución, los SoCs de Rockchip permiten un rendimiento puntero en dispositivos como tablets, smart TVs, sistemas IoT y aplicaciones de IA en el borde. Empresas como Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas y Banana Pi ofrecen una variedad de productos basados en SoCs de Rockchip, extendiendo aún más su alcance e impacto en diversos mercados.

Link to this sectionRKNN Toolkit#

El RKNN Toolkit es un conjunto de herramientas y librerías proporcionadas por Rockchip para facilitar el despliegue de modelos de aprendizaje profundo en sus plataformas de hardware. RKNN, o Rockchip Neural Network, es el formato propietario utilizado por estas herramientas. Los modelos RKNN están diseñados para aprovechar al máximo la aceleración de hardware proporcionada por la NPU (Neural Processing Unit) de Rockchip, asegurando un alto rendimiento en tareas de IA en dispositivos como el RK3588, RK3566, RV1103, RV1106 y otros sistemas impulsados por Rockchip.

Link to this sectionCaracterísticas clave de los modelos RKNN#

Los modelos RKNN ofrecen varias ventajas para el despliegue en plataformas Rockchip:

• Optimizado para NPU: Los modelos RKNN están optimizados específicamente para ejecutarse en las NPUs de Rockchip, asegurando el máximo rendimiento y eficiencia.
• Baja latencia: El formato RKNN minimiza la latencia de inferencia, lo cual es crítico para aplicaciones en tiempo real en dispositivos de borde.
• Personalización específica de la plataforma: Los modelos RKNN pueden adaptarse a plataformas Rockchip específicas, permitiendo una mejor utilización de los recursos de hardware.
• Eficiencia energética: Al aprovechar el hardware NPU dedicado, los modelos RKNN consumen menos energía que el procesamiento basado en CPU o GPU, extendiendo la vida útil de la batería en dispositivos portátiles.

Link to this sectionInstalar el sistema operativo en hardware Rockchip#

El primer paso después de obtener un dispositivo basado en Rockchip es instalar un sistema operativo para que el hardware pueda arrancar en un entorno funcional. En esta guía, indicaremos las guías de inicio rápido de los dos dispositivos que hemos probado, que son Radxa Rock 5B y Radxa Zero 3W.

• Guía de inicio rápido de Radxa Rock 5B
• Guía de inicio rápido de Radxa Zero 3W

Link to this sectionExportación a RKNN: convirtiendo tu modelo YOLO26#

Exporta un modelo Ultralytics YOLO26 al formato RKNN y ejecuta la inferencia con el modelo exportado.

Link to this sectionInstalación#

Para instalar los paquetes necesarios, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Para instrucciones detalladas y mejores prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalación de Ultralytics. Si encuentras alguna dificultad al instalar los paquetes requeridos para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Link to this sectionUso#

El formato RKNN admite los modos Export, Predict y Validate. La inferencia y la validación se ejecutan en el hardware NPU de Rockchip. Exporta tu modelo, luego carga el modelo exportado para ejecutar la inferencia o validar su precisión. Por defecto, la exportación RKNN utiliza la ruta de construcción de punto flotante existente con half=True para los objetivos de Rockchip compatibles con FP16. Usa int8=True para construir un modelo RKNN cuantizado en INT8 con datos de calibración. La exportación RKNN no expone un modo FP32 separado; dejar int8=False no solicita FP32.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to RKNN format
model.export(format="rknn", name="rk3588")  # creates '/yolo26n_rknn_model'

# Export an INT8-quantized RKNN model with calibration data
model.export(format="rknn", name="rk3588", int8=True, data="coco8.yaml")

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n_rknn_model")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n_rknn_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionArgumentos de exportación#

Para obtener más detalles sobre el proceso de exportación, visita la página de documentación de Ultralytics sobre exportación.

Link to this sectionDespliegue de modelos YOLO26 RKNN exportados#

Una vez que hayas exportado con éxito tus modelos Ultralytics YOLO26 al formato RKNN, el siguiente paso es desplegar estos modelos en dispositivos basados en Rockchip.

Link to this sectionInstalación#

Para instalar los paquetes necesarios, ejecuta:

# Install the required package for YOLO26
pip install ultralytics

Una vez instalado, ejecuta la inferencia y la validación en tu dispositivo Rockchip exactamente como se muestra en la sección Uso anterior; el _rknn_model exportado se carga directamente con YOLO(...).

Link to this sectionAplicaciones del mundo real#

Los dispositivos impulsados por Rockchip con modelos YOLO26 RKNN pueden utilizarse en diversas aplicaciones:

• Vigilancia inteligente: Despliega sistemas eficientes de detección de objetos para monitorización de seguridad con bajo consumo energético.
• Automatización industrial: Implementa control de calidad y detección de defectos directamente en dispositivos embebidos.
• Análisis minorista: Rastrea el comportamiento del cliente y la gestión de inventario en tiempo real sin dependencia de la nube.
• Agricultura inteligente: Monitoriza la salud de los cultivos y detecta plagas utilizando visión artificial en la agricultura.
• Robótica autónoma: Habilita la navegación basada en visión y la detección de obstáculos en plataformas con recursos limitados.

Link to this sectionEvaluaciones de rendimiento#

Las evaluaciones de YOLO26 a continuación fueron ejecutadas por el equipo de Ultralytics en un Radxa Rock 5B basado en Rockchip RK3588 con el formato de modelo rknn, midiendo la velocidad y la precisión.

Link to this sectionResumen#

En esta guía, has aprendido a exportar modelos Ultralytics YOLO26 al formato RKNN para mejorar su despliegue en plataformas Rockchip. También se te ha presentado el RKNN Toolkit y las ventajas específicas de utilizar modelos RKNN para aplicaciones de IA en el borde (edge AI).

La combinación de Ultralytics YOLO26 y la tecnología NPU de Rockchip proporciona una solución eficiente para ejecutar tareas avanzadas de visión artificial en dispositivos integrados. Este enfoque permite detección de objetos en tiempo real y otras aplicaciones de IA de visión con un consumo mínimo de energía y un alto rendimiento.

Para más detalles sobre su uso, visita la documentación oficial de RKNN.

Además, si deseas conocer más sobre otras integraciones de Ultralytics YOLO26, visita nuestra página de guía de integraciones. Encontrarás muchos recursos e ideas útiles allí.

Link to this sectionPreguntas frecuentes#

Link to this section¿Cómo exporto mi modelo Ultralytics YOLO al formato RKNN?#

Puedes exportar fácilmente tu modelo Ultralytics YOLO al formato RKNN utilizando el método export() en el paquete de Python de Ultralytics o a través de la interfaz de línea de comandos (CLI). Asegúrate de utilizar un PC con Linux basado en x86 para el proceso de exportación, ya que los dispositivos ARM64 como Rockchip no son compatibles para esta operación. Puedes especificar la plataforma Rockchip de destino utilizando el argumento name, como rk3588, rk3566 u otros. Este proceso genera un modelo RKNN optimizado listo para el despliegue en tu dispositivo Rockchip, aprovechando su unidad de procesamiento neuronal (NPU) para una inferencia acelerada.

from ultralytics import YOLO

# Load your YOLO model
model = YOLO("yolo26n.pt")

# Export to RKNN format for a specific Rockchip platform
model.export(format="rknn", name="rk3588")

Link to this section¿Cuáles son los beneficios de usar modelos RKNN en dispositivos Rockchip?#

Los modelos RKNN están diseñados específicamente para aprovechar las capacidades de aceleración de hardware de las unidades de procesamiento neuronal (NPU) de Rockchip. Esta optimización resulta en velocidades de inferencia significativamente más rápidas y una latencia reducida en comparación con la ejecución de formatos de modelo genéricos como ONNX o TensorFlow Lite en el mismo hardware. Usar modelos RKNN permite un uso más eficiente de los recursos del dispositivo, lo que conlleva un menor consumo de energía y un mejor rendimiento general, especialmente crítico para aplicaciones en tiempo real en dispositivos de borde. Al convertir tus modelos Ultralytics YOLO a RKNN, puedes lograr un rendimiento óptimo en dispositivos impulsados por SoC de Rockchip como el RK3588, RK3566 y otros.

Link to this section¿Puedo desplegar modelos RKNN en dispositivos de otros fabricantes como NVIDIA o Google?#

Los modelos RKNN están optimizados específicamente para plataformas Rockchip y sus NPU integradas. Aunque técnicamente puedes ejecutar un modelo RKNN en otras plataformas utilizando emulación de software, no te beneficiarás de la aceleración de hardware proporcionada por los dispositivos Rockchip. Para un rendimiento óptimo en otras plataformas, se recomienda exportar tus modelos Ultralytics YOLO a formatos diseñados específicamente para esas plataformas, como TensorRT para GPU de NVIDIA o TensorFlow Lite para Edge TPU de Google. Ultralytics admite la exportación a una amplia gama de formatos, garantizando la compatibilidad con varios aceleradores de hardware.

Link to this section¿Qué plataformas Rockchip son compatibles para el despliegue de modelos RKNN?#

La exportación de Ultralytics YOLO a formato RKNN admite plataformas Rockchip con builds RKNN de punto flotante, incluyendo RK3588, RK3576, RK3566, RK3568, RK3562, RK2118 y RV1126B. También admite la exportación RKNN cuantizada a INT8 con int8=True, lo cual es necesario para objetivos que solo admiten INT8 como RV1103, RV1106, RV1103B y RV1106B. Estas plataformas se encuentran comúnmente en dispositivos de fabricantes como Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas y Banana Pi, permitiéndote desplegar tus modelos RKNN optimizados en una variedad de dispositivos basados en Rockchip, desde ordenadores de placa única hasta sistemas industriales.

Link to this section¿Cómo se compara el rendimiento de los modelos RKNN con otros formatos en dispositivos Rockchip?#

Los modelos RKNN generalmente superan a otros formatos como ONNX o TensorFlow Lite en dispositivos Rockchip debido a su optimización para las NPU de Rockchip. Por ejemplo, los benchmarks en la Radxa Rock 5B (RK3588) muestran que YOLO26n en formato RKNN logra un tiempo de inferencia de 65.7 ms/imagen, significativamente más rápido que otros formatos. Esta ventaja de rendimiento es consistente en todos los tamaños de modelos YOLO26, como se demuestra en la sección de benchmarks. Al aprovechar el hardware NPU dedicado, los modelos RKNN minimizan la latencia y maximizan el rendimiento, haciéndolos ideales para aplicaciones en tiempo real en dispositivos de borde basados en Rockchip.