Exportation RKNN des modèles Ultralytics YOLO26 pour Rockchip#

Lors du déploiement de modèles de vision par ordinateur sur des appareils embarqués, notamment 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 une compatibilité avec le matériel Rockchip. Ce guide t'explique comment convertir tes modèles YOLO26 au format RKNN, notamment pour les exportations en virgule flottante et quantifiées en INT8, afin de permettre un déploiement efficace sur les plateformes Rockchip.

Qu'est-ce que Rockchip ?#

Réputé pour fournir des solutions polyvalentes et économes en énergie, Rockchip conçoit des systèmes sur puce (SoC) avancés qui équipent un large éventail 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 (NPU) intégrées et à leur prise en charge du multimédia haute résolution, les SoC Rockchip offrent des performances de pointe pour des appareils tels que 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 différents produits basés sur des SoC Rockchip, étendant ainsi leur présence 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 Rockchip (unité de traitement neuronal), afin de garantir de hautes performances pour les tâches d'IA sur des appareils tels que RK3588, RK3566, RV1103, RV1106 et d'autres systèmes équipés de Rockchip.

Fonctionnalités principales des modèles RKNN#

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

• Optimisés pour le NPU : les modèles RKNN sont spécialement optimisés pour fonctionner sur les NPU Rockchip, ce qui garantit des performances et une efficacité maximales.
• Faible latence : le format RKNN réduit la latence de l'inférence, un élément 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 exploitant le matériel NPU dédié, les modèles RKNN consomment moins d'énergie qu'un 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 renverrons aux guides de démarrage des 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 fournir ces têtes.

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 packages requis, exécute :

# Install the required package for YOLO26
pip install ultralytics

Pour obtenir des instructions détaillées et les bonnes pratiques relatives au processus d'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 pour trouver 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 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 compiler un modèle RKNN quantifié en INT8 avec des données d'étalonnage. L'exportation RKNN n'expose pas de mode FP32 distinct ; la valeur par défaut FP16 ne demande pas FP32.

from ultralytics import YOLO

# Load a YOLO26 model (replace with any supported task model)
model = YOLO("yolo26n-obb.pt")

# Export the model to RKNN format
model.export(format="rknn", name="rk3588")  # creates 'yolo26n-obb_rknn_model'

# Export an INT8-quantized RKNN model with calibration data (detection models only)
model = YOLO("yolo26n.pt")
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")  # creates 'yolo26n_rknn_model'

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

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

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

# Validate accuracy on the DOTA8 dataset
metrics = model.val(data="dota8.yaml")

Arguments d'exportation#

Pour plus de détails sur le processus d’exportation, consulte la page de la documentation Ultralytics consacrée à l’exportation.

Déployer les modèles YOLO26 RKNN exportés#

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

Installation#

Pour installer les packages 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 fichier _rknn_model exporté est chargé directement avec YOLO(...).

Applications concrètes#

Les appareils équipés de Rockchip et de modèles YOLO26 RKNN peuvent être utilisés dans diverses applications :

• Surveillance 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 l'état des cultures et détecte les nuisibles grâce à la vision par ordinateur dans l'agriculture.
• Robotique autonome : active la navigation fondée sur la vision et la détection des 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, avec le format de modèle rknn, afin de mesurer la vitesse et la précision.

Résumé#

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

La combinaison de Ultralytics YOLO26 et de la technologie NPU de Rockchip fournit 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 ainsi que d'autres applications d'IA visuelle, avec une consommation d'énergie minimale et de hautes performances.

Pour plus de détails sur l'utilisation, consulte la documentation officielle de RKNN.

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

FAQ#