Exportation et déploiement Axelera AI

Ultralytics s'associe à Axelera AI pour permettre une inférence haute performance et économe en énergie sur les appareils Edge AI. Exportez et déployez les modèles Ultralytics YOLO directement sur l'AIPU Metis® à l'aide du Voyager SDK.

Axelera AI offre une accélération matérielle dédiée pour la vision par ordinateur en périphérie, en utilisant une architecture de flux de données propriétaire et le calcul in-memory pour fournir jusqu'à 856 TOPS avec une faible consommation d'énergie.

Choisir le bon matériel

Axelera AI propose différents formats pour s'adapter aux différentes contraintes de déploiement. Le tableau ci-dessous vous aide à identifier le matériel optimal pour votre déploiement Ultralytics YOLO.

graph TD
    A[Start: Select Deployment Target] --> B{Device Type?}
    B -->|Edge Server / Workstation| C{Throughput Needs?}
    B -->|Embedded / Robotics| D{Space Constraints?}
    B -->|Standalone / R&D| E[Dev Kits & Systems]

    C -->|Max Density <br> 30+ Streams| F[**Metis PCIe x4**<br>856 TOPS]
    C -->|Standard PC <br> Low Profile| G[**Metis PCIe x1**<br>214 TOPS]

    D -->|Drones & Handhelds| H[**Metis M.2**<br>2280 M-Key]
    D -->|High Performance Embedded| I[**Metis M.2 MAX**<br>Extended Thermal]

    E -->|ARM-based All-in-One| J[**Metis Compute Board**<br>RK3588 + AIPU]
    E -->|Prototyping| K[**Arduino Portenta x8**<br>Integration Kit]

    click F "https://store.axelera.ai/"
    click G "https://store.axelera.ai/"
    click H "https://store.axelera.ai/"
    click J "https://store.axelera.ai/"

Portefeuille matériel

La gamme de matériel Axelera est optimisée pour exécuter Ultralytics YOLO26 et les versions antérieures avec une efficacité élevée en termes de FPS par watt.

Cartes d'accélérateur

Ces cartes permettent l'accélération de l'IA dans les appareils hôtes existants, facilitant ainsi les déploiements brownfield.

Systèmes intégrés

Pour les solutions clés en main, Axelera s'associe à des fabricants pour fournir des systèmes pré-validés pour le Metis AIPU.

• Carte de calcul Metis : Un appareil périphérique autonome associant l'AIPU Metis à un CPU ARM Rockchip RK3588.
• Stations de travail : Tours d’entreprise de Dell (Precision 3460XE) et Lenovo (ThinkStation P360 Ultra).
• PC Industriels : Systèmes durcis d'Advantech et d'Aetina conçus pour l'automatisation de la fabrication.

Tâches prises en charge

Les tâches suivantes sont prises en charge par les modèles YOLOv8, YOLO11 et YOLO26.

Installation

Installation Ultralytics

pip install ultralytics

Pour des instructions détaillées, consultez notre guide d'installation Ultralytics. Si vous rencontrez des difficultés, consultez notre guide des problèmes courants.

Installation du pilote Axelera

1. Ajoutez la clé du dépôt Axelera :

   sudo sh -c "curl -fsSL https://software.axelera.ai/artifactory/api/security/keypair/axelera/public | gpg --dearmor -o /etc/apt/keyrings/axelera.gpg"
   

2. Ajoutez le dépôt à apt :

   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source/ ubuntu22 main' > /etc/apt/sources.list.d/axelera.list"
   

3. Installez le SDK et chargez le pilote :

   sudo apt update
   sudo apt install -y metis-dkms=1.4.16
   sudo modprobe metis
   

Exporter les modèles YOLO vers Axelera

Exportez vos modèles YOLO entraînés à l'aide de la commande d'exportation standard d'Ultralytics.

from ultralytics import YOLO

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

# Export to Axelera format
model.export(format="axelera")  # creates 'yolo26n_axelera_model' directory

yolo export model=yolo26n.pt format=axelera

Arguments d'exportation

Pour toutes les options d'exportation, consultez la documentation du mode d'exportation.

Structure de sortie

yolo26n_axelera_model/
├── yolo26n.axm              # Axelera model file
└── metadata.yaml            # Model metadata (classes, image size, etc.)

Exécution de l'inférence

Chargez le modèle exporté avec l'API Ultralytics et exécutez l'inférence, de manière similaire au chargement des modèles ONNX.

from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

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

# Process results
for r in results:
    print(f"Detected {len(r.boxes)} objects")
    r.show()  # Display results

yolo predict model='yolo26n_axelera_model' source='https://ultralytics.com/images/bus.jpg'

Tests de performance d'Axelera AI

L'AIPU Metis maximise le débit tout en minimisant la consommation d'énergie.

Benchmarks basés sur les données d'Axelera AI. Le FPS réel dépend de la taille du modèle, du traitement par lots (batching) et de la résolution d'entrée.

Applications concrètes

Ultralytics YOLO sur le matériel Axelera permet des solutions avancées d'edge computing :

• Vente au détail intelligente : Comptage d'objets en temps réel et analyse des cartes thermiques pour l'optimisation des magasins.
• Sécurité Industrielle : Détection des EPI à faible latence dans les environnements de fabrication.
• Analyse par drone : Détection d’objets à haute vitesse sur les drones pour l’agriculture et la recherche et le sauvetage.
• Systèmes de circulation : Reconnaissance des plaques d’immatriculation et estimation de la vitesse en périphérie.

Flux de travail recommandé

1. Entraînez votre modèle en utilisant le mode d'entraînement Ultralytics
2. Exporter au format Axelera en utilisant model.export(format="axelera")
3. Valider précision avec yolo val pour vérifier une perte de quantification minimale
4. Prédire en utilisant les yolo predict pour une validation qualitative
5. Déployer vers un pipeline de bout en bout hautement performant sans PyTorch — voir le Exemples d'utilisation de YOLO le SDK Voyager pour Python modulaires utilisant axelera-rt

Vérification de l'état du périphérique

Vérifiez que votre appareil Axelera fonctionne correctement :

# if axdevice cannot be found, please run at least one inference (see above) to ensure the required packages are installed
axdevice

Pour des diagnostics détaillés, consultez la documentation AxDevice.

Performances maximales

Cette intégration utilise une configuration monocœur pour la compatibilité. Pour une production nécessitant un débit maximal, le SDK Axelera Voyager offre :

• Utilisation multicœur (AIPU Metis quad-core)
• Pipelines d'inférence en streaming
• Inférence par tuiles pour les caméras à plus haute résolution

Consultez le model-zoo pour les benchmarks FPS ou contactez Axelera pour le support de production.

Problèmes connus

Pour obtenir de l'aide, visitez la communauté Axelera.

FAQ

Quelles versions de YOLO sont prises en charge sur Axelera ?

Le SDK Voyager prend en charge l'exportation de YOLOv8, YOLO11et YOLO26. Consultez la section Tâches prises en charge pour connaître les tâches disponibles pour chaque modèle.

Puis-je déployer des modèles entraînés sur mesure ?

Oui. Tout modèle entraîné à l'aide du Mode d'entraînement Ultralytics peut être exporté au format Axelera, à condition qu'il utilise des couches et des opérations prises en charge.

Quel est l'impact de la quantification INT8 sur la précision ?

Le SDK Voyager d'Axelera quantifie automatiquement les modèles pour l'architecture AIPU à précision mixte. Pour la plupart des détection d'objets tâches, les gains de performance (FPS plus élevés, consommation d'énergie réduite) l'emportent largement sur l'impact minimal sur mAP. La quantification prend de quelques secondes à plusieurs heures selon la taille du modèle. Exécutez yolo val après l'exportation pour vérifier la précision.

Combien d'images de calibration dois-je utiliser ?

Nous recommandons 100 à 400 images. Plus de 400 images n'apportent aucun avantage supplémentaire et augmentent le temps de quantification. Expérimentez avec 100, 200 et 400 images pour trouver l'équilibre optimal.

Où puis-je trouver le SDK Voyager ?

Le SDK, les pilotes et les outils de compilation sont disponibles via le portail des développeurs d'Axelera.

📅 Créé il y a 4 mois ✏️ Mis à jour il y a 3 jours

Commentaires