YOLO Vision 2026 :

Déploiement Luxonis OAK pour Ultralytics YOLO#

Les caméras Luxonis OAK exécutent des modèles Ultralytics YOLO sur l'appareil après conversion avec les outils de Luxonis. Il s'agit d'un flux de travail de déploiement manuel ; Luxonis n'est pas une cible native Ultralytics model.export(format="...").

Ce guide couvre les appareils RVC2 et RVC4. Convertis pour la plateforme de ta caméra : les artefacts RVC2 et RVC4 ne sont pas interchangeables. Les familles de modèles et les tâches prises en charge varient ; consulte la matrice de prise en charge des outils Luxonis avant la conversion.

Commence avec un point de contrôle YOLO .pt pris en charge, tel que yolo26n.pt, ou ton propre modèle entraîné. L'archive NN convertie regroupe le modèle et les métadonnées d'exécution.

Conversion dans le cloud avec Luxonis Hub#

  1. Connecte-toi à Luxonis Hub et ouvre Quick Conversion.
  2. Sélectionne YOLO, choisis RVC2 ou RVC4, et importe ton point de contrôle .pt.
  3. Définis la forme d'entrée et les paramètres de conversion, puis soumets la conversion.
  4. Une fois l'opération terminée, copie l'identifiant du modèle converti pour l'exemple d'inférence ci-dessous, ou télécharge son archive NN.

Pour une conversion automatisée ou des données de calibration RVC4 personnalisées, utilise le HubAI SDK. Suis ses instructions d'installation dans un environnement Python 3.10+. Detailed Conversion fournit la gestion du registre et des jeux de données de calibration prédéfinis.

Conversion locale avec Tools et ModelConverter#

Utilise Python 3.10+ et Docker. Installe Luxonis Tools en suivant ses instructions de configuration en amont, y compris les contraintes de dépendance. Tools prépare les sorties YOLO pour l'analyse de Luxonis ; une exportation ONNX générique ne remplace pas cette étape.

# 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 écrit yolo26n.tar.xz dans un répertoire horodaté sous output/. Remplace le chemin d'exemple ci-dessous par ce fichier. Pour la conversion RVC4 INT8, remplis calibration_images/ avec des images de déploiement représentatives ; consulte les exigences relatives aux données de calibration.

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

Pour RVC2, utilise rvc2 au lieu de rvc4 ; les images de calibration ne sont pas nécessaires pour sa conversion FP16. Utilise l'archive NN compilée résultante du répertoire de sortie de ModelConverter pour l'inférence, plutôt que l'archive ONNX intermédiaire. Consulte ModelConverter pour connaître les chemins de sortie et les options spécifiques à la plateforme.

Exécuter l'inférence sur une caméra OAK#

Connecte une caméra OAK compatible et installe DepthAI dans ton environnement Python :

pip install depthai==3.9.0

Pour un modèle Hub privé, définis DEPTHAI_HUB_API_KEY sur une clé API Luxonis Hub avant d'exécuter le script. Remplace your-model-identifier par l'identifiant du Hub, ou utilise l'alternative de l'archive NN compilée locale.

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()

Ouvre http://localhost:8082 pour afficher le flux RVB et les détections. DetectionNetwork prend également en charge les modèles de segmentation d'instances et de pose compatibles. Pour d'autres tâches, y compris la segmentation sémantique et la classification, suis les conseils d'inférence spécifiques aux tâches.

Pour les pipelines de profondeur stéréo, consulte l'exemple de détection spatiale. Mesure ton modèle sur la caméra cible à l'aide du guide d'évaluation comparative ; le débit dépend du modèle, de la taille d'entrée, de la précision et de la configuration du pipeline.

Contributeurs
KLklemen19991

Commentaires