Exportation Rockchip RKNN pour les modèles Ultralytics YOLO26#

Lors du déploiement de modèles de vision par ordinateur sur des appareils embarqués, en particulier ceux équipés de processeurs Rockchip, il est essentiel de disposer d’un format de modèle compatible. L’exportation des modèles Ultralytics YOLO26 au format RKNN garantit des performances optimisées et la compatibilité avec le matériel Rockchip. Ce guide t’explique comment convertir tes modèles YOLO26 au format RKNN, notamment en exportant des modèles à virgule flottante et quantifiés en INT8, pour permettre un déploiement efficace sur les plateformes Rockchip.

Qu'est-ce que Rockchip ?#

Réputé pour proposer des solutions polyvalentes et économes en énergie, Rockchip conçoit des systèmes sur puce (SoCs) avancés qui équipent une vaste gamme d'appareils électroniques grand public, d'applications industrielles et de technologies d'IA. Grâce à leur architecture basée sur ARM, à leurs unités de traitement neuronal (NPUs) intégrées et à leur prise en charge du multimédia haute résolution, les SoCs Rockchip offrent des performances de pointe pour des appareils comme les tablettes, les téléviseurs intelligents, les systèmes IoT et les applications d'IA en périphérie. Des entreprises comme Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas et Banana Pi proposent divers produits basés sur les SoCs Rockchip, étendant ainsi leur portée et leur impact sur des marchés variés.

RKNN Toolkit#

Le RKNN Toolkit est un ensemble d'outils et de bibliothèques fourni par Rockchip pour faciliter le déploiement de modèles d'apprentissage profond sur ses plateformes matérielles. RKNN, ou réseau neuronal Rockchip, est le format propriétaire utilisé par ces outils. Les modèles RKNN sont conçus pour tirer pleinement parti de l'accélération matérielle fournie par le NPU (unité de traitement neuronal) de Rockchip et garantir des performances élevées pour les tâches d'IA sur des appareils tels que les RK3588, RK3566, RV1103, RV1106 et autres systèmes équipés de Rockchip.

Principales caractéristiques des modèles RKNN#

Les modèles RKNN offrent plusieurs avantages pour le déploiement sur les plateformes Rockchip :

• Optimisés pour le NPU : les modèles RKNN sont spécifiquement optimisés pour fonctionner sur les NPU de Rockchip, ce qui garantit des performances et une efficacité maximales.
• Faible latence : le format RKNN réduit au minimum la latence d'inférence, un facteur essentiel pour les applications en temps réel sur les appareils en périphérie.
• Personnalisation spécifique à la plateforme : les modèles RKNN peuvent être adaptés à des plateformes Rockchip spécifiques, ce qui permet une meilleure utilisation des ressources matérielles.
• Efficacité énergétique : en tirant parti du matériel NPU dédié, les modèles RKNN consomment moins d'énergie que le traitement basé sur CPU ou GPU, ce qui prolonge l'autonomie des appareils portables.

Flasher un système d'exploitation sur le matériel Rockchip#

La première étape après avoir obtenu un appareil basé sur Rockchip consiste à flasher un système d'exploitation afin que le matériel puisse démarrer dans un environnement fonctionnel. Dans ce guide, nous allons te renvoyer vers les guides de démarrage de deux appareils que nous avons testés : le Radxa Rock 5B et le Radxa Zero 3W.

• Guide de démarrage du Radxa Rock 5B
• Guide de démarrage du Radxa Zero 3W

Tâches prises en charge#

L'exportation RKNN prend en charge les sept tâches Ultralytics. La segmentation sémantique et l'estimation de profondeur sont disponibles uniquement avec YOLO26, la seule famille à intégrer ces têtes de modèle.

Exporter vers RKNN : convertir ton modèle YOLO26#

Exporte un modèle Ultralytics YOLO26 au format RKNN et exécute l'inférence avec le modèle exporté.

Installation#

Pour installer les paquets requis, exécute :

# Install the required package for YOLO26
pip install ultralytics

Pour obtenir des instructions détaillées et connaître les bonnes pratiques liées à l’installation, consulte notre guide d’installation Ultralytics. Si tu rencontres des difficultés lors de l’installation des packages requis pour YOLO26, consulte notre guide des problèmes courants, qui propose des solutions et des conseils.

Utilisation#

Le format RKNN prend en charge les modes Export, Predict et Validate. L'inférence et la validation s'exécutent sur le matériel NPU de Rockchip. Exporte ton modèle, puis charge le modèle exporté pour exécuter l'inférence ou valider sa précision. Par défaut, l'exportation RKNN utilise le chemin de compilation en virgule flottante (quantize=16) pour les cibles Rockchip compatibles FP16. Utilise quantize=8 pour créer un modèle RKNN quantifié INT8 avec des données d'étalonnage. L'exportation RKNN n'expose pas de mode FP32 distinct ; la valeur par défaut FP16 ne demande pas de FP32.

from ultralytics import YOLO

# Charger un modèle YOLO26 (remplacer par un modèle de tâche pris en charge)
model = YOLO("yolo26n-obb.pt")

# Exporter le modèle au format RKNN
model.export(format="rknn", name="rk3588")  # creates 'yolo26n-obb_rknn_model'

# Exporter un modèle RKNN quantifié INT8 avec des données d'étalonnage (modèles de détection uniquement)
model = YOLO("yolo26n.pt")
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")  # creates 'yolo26n_rknn_model'

from ultralytics import YOLO

# Charger le modèle RKNN exporté
model = YOLO("./yolo26n-obb_rknn_model")

# Exécuter l’inférence
results = model("https://ultralytics.com/images/boats.jpg")

from ultralytics import YOLO

# Charger le modèle RKNN exporté
model = YOLO("./yolo26n-obb_rknn_model")

# Valider la précision sur le jeu de données DOTA8
metrics = model.val(data="dota8.yaml")

Arguments d’exportation#

Pour en savoir plus sur le processus d’export, consulte la page de la documentation Ultralytics consacrée à l’export.

Déployer les modèles YOLO26 RKNN exportés#

Une fois tes modèles Ultralytics YOLO26 exportés au format RKNN, l'étape suivante consiste à les déployer sur des appareils basés sur Rockchip.

Installation#

Pour installer les paquets requis, exécute :

# Install the required package for YOLO26
pip install ultralytics

Une fois l'installation terminée, exécute l'inférence et la validation sur ton appareil Rockchip exactement comme indiqué dans la section Utilisation ci-dessus : le _rknn_model exporté se charge directement avec YOLO(...).

Applications concrètes#

Les appareils équipés de Rockchip et utilisant des modèles YOLO26 RKNN peuvent servir dans diverses applications :

• Vidéosurveillance intelligente : déploie des systèmes efficaces de détection d'objets pour la surveillance de sécurité, avec une faible consommation d'énergie.
• Automatisation industrielle : mets en œuvre le contrôle qualité et la détection des défauts directement sur des appareils embarqués.
• Analyse du commerce de détail : suis le comportement des clients et gère les stocks en temps réel, sans dépendre du cloud.
• Agriculture intelligente : surveille la santé des cultures et détecte les nuisibles grâce à la vision par ordinateur en agriculture.
• Robotique autonome : active la navigation fondée sur la vision et la détection d'obstacles sur des plateformes aux ressources limitées.

Benchmarks#

Les benchmarks YOLO26 ci-dessous ont été réalisés par l'équipe Ultralytics sur un Radxa Rock 5B basé sur le Rockchip RK3588, en utilisant le format de modèle rknn pour mesurer la vitesse et la précision.

Résumé#

Dans ce guide, tu as appris à exporter des modèles Ultralytics YOLO26 au format RKNN pour améliorer leur déploiement sur les plateformes Rockchip. Tu as également découvert le RKNN Toolkit et les avantages spécifiques des modèles RKNN pour les applications d'IA en périphérie.

L'association d'Ultralytics YOLO26 et de la technologie NPU de Rockchip offre une solution efficace pour exécuter des tâches avancées de vision par ordinateur sur des appareils embarqués. Cette approche permet la détection d'objets en temps réel et d'autres applications d'IA visuelle, avec une consommation d'énergie minimale et des performances élevées.

Pour en savoir plus sur l'utilisation, consulte la documentation officielle RKNN.

Pour en savoir plus sur les autres intégrations Ultralytics YOLO26, consulte également notre page du guide des intégrations. Tu y trouveras de nombreuses ressources et informations utiles.

FAQ#