Link to this sectionExportation et déploiement Axelera AI#

Ultralytics s'associe à Axelera AI pour permettre une inférence haute performance et économe en énergie sur des appareils Edge AI. Exporte et déploie tes modèles Ultralytics YOLO directement sur le Metis® AIPU en utilisant le Voyager SDK.

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

Link to this sectionSélectionner le matériel adapté#

Axelera AI propose divers facteurs de forme pour répondre aux différentes contraintes de déploiement. Le tableau ci-dessous t'aide à identifier le matériel optimal pour ton 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/"

Link to this sectionPortefeuille matériel#

La gamme matérielle Axelera est optimisée pour exécuter Ultralytics YOLO26 et les versions précédentes avec une efficacité FPS-par-watt élevée.

Link to this sectionCartes accélératrices#

Ces cartes permettent l'accélération IA dans les appareils hôtes existants, facilitant les déploiements en site occupé.

Link to this sectionSystèmes intégrés#

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

• Metis Compute Board : Un appareil autonome en périphérie associant le Metis AIPU 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 de Advantech et Aetina conçus pour l'automatisation manufacturière.

Link to this sectionTâches prises en charge#

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

Link to this sectionInstallation#

Link to this sectionInstallation d'Ultralytics#

pip install ultralytics

Pour des instructions détaillées, consulte notre guide d'installation Ultralytics. Si tu rencontres des difficultés, consulte notre guide des problèmes courants.

Link to this sectionInstallation du pilote Axelera#

1. Ajoute 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. Ajoute le dépôt à apt :

   Choisis l'extrait approprié ci-dessous pour correspondre au système d'exploitation utilisé.

   # Ubuntu 22.04
   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"

   # Ubuntu 24.04
   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu24 main' > /etc/apt/sources.list.d/axelera.list"

3. Installe le SDK et charge le pilote :

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

pip install axelera-devkit==1.6.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple
pip install axelera-rt==1.6.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple

Link to this sectionExporter des modèles YOLO vers Axelera#

Le format Axelera prend en charge les modes Export, Predict et Validate. L'inférence et la validation s'exécutent sur le matériel Axelera Metis AIPU. Exporte ton modèle, puis charge le modèle exporté pour exécuter l'inférence ou valider sa précision.

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

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

Link to this sectionArguments d'exportation#

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

Link to this sectionStructure de sortie#

yolo26n_axelera_model/
├── yolo26n.axm                  # Axelera model file
├── compiler_config_final.toml  # Compiler configuration used for the build
└── metadata.yaml               # Model metadata (classes, image size, etc.)

Link to this sectionBenchmarks Axelera AI#

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

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

Link to this sectionApplications concrètes#

Ultralytics YOLO sur le matériel Axelera permet des solutions de calcul en périphérie avancées :

• Commerce intelligent : Comptage d'objets en temps réel et analyses par carte thermique pour l'optimisation des magasins.
• Sécurité industrielle : Détection d'EPI à faible latence dans les environnements manufacturiers.
• Analyse par drone : Détection d'objets à haute vitesse sur UAV pour l'agriculture et la recherche et le sauvetage.
• Traffic Systems: Edge-based license plate recognition and speed estimation.

Link to this sectionFlux de travail recommandé#

1. Entraîne ton modèle en utilisant le mode Entraînement d'Ultralytics
2. Exporte vers le format Axelera en utilisant model.export(format="axelera")
3. Valide la précision avec yolo val pour vérifier la perte de quantification minimale
4. Prédits en utilisant yolo predict pour une validation qualitative
5. Déploie vers un pipeline de bout en bout haute performance sans dépendance PyTorch — voir les exemples YOLO sur Voyager SDK pour des pipelines Python composables utilisant axelera-rt

Link to this sectionVérification de l'état de l'appareil#

Vérifie que ton 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, consulte la documentation AxDevice.

Link to this sectionPerformance maximale#

Cette intégration utilise une configuration à cœur unique pour la compatibilité. Pour une mise en production nécessitant un débit maximal, le Axelera Voyager SDK propose :

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

Consulte le model-zoo pour les benchmarks de FPS ou contacte Axelera pour un support de production.

Link to this sectionProblèmes connus#

Pour obtenir du support, visite la Axelera Community.

Link to this sectionFAQ#

Link to this sectionQuelles versions de YOLO sont supportées sur Axelera ?#

Le Voyager SDK supporte l'exportation des modèles YOLOv8, YOLO11 et YOLO26. Consulte Supported Tasks pour la disponibilité des tâches par modèle.

Link to this sectionPuis-je déployer des modèles entraînés sur mesure ?#

Oui. Tout modèle entraîné avec le Ultralytics Train Mode peut être exporté au format Axelera, à condition d'utiliser des couches et des opérations supportées.

Link to this sectionComment la quantification INT8 affecte-t-elle la précision ?#

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

Link to this sectionCombien d'images de calibration dois-je utiliser ?#

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

Link to this sectionOù puis-je trouver le Voyager SDK ?#

Le SDK, les pilotes et les outils de compilation sont disponibles via le Axelera Developer Portal.