Ultralytics YOLO26 su NVIDIA Jetson con DeepStream SDK e TensorRT#

Questa guida completa illustra nel dettaglio come distribuire Ultralytics YOLO26 sui dispositivi NVIDIA Jetson usando DeepStream SDK e TensorRT. Qui usiamo TensorRT per massimizzare le prestazioni di inferenza sulla piattaforma Jetson.

Questa guida illustra la configurazione di DeepStream per YOLO26, la calibrazione INT8, la configurazione multi-stream e i risultati dei benchmark.

Che cos'è NVIDIA DeepStream?#

DeepStream SDK di NVIDIA è un toolkit completo per l'analisi di stream basato su GStreamer, per l'elaborazione multisensore basata su AI e la comprensione di video, audio e immagini. È ideale per sviluppatori di AI per la visione, partner software, startup e OEM che realizzano app e servizi IVA (analisi video intelligente). Ora puoi creare pipeline di elaborazione degli stream che integrano reti neurali e altre attività di elaborazione complesse, come il tracciamento, la codifica/decodifica video e il rendering video. Queste pipeline consentono l'analisi in tempo reale di video, immagini e dati dei sensori. Il supporto multipiattaforma di DeepStream ti offre un modo più rapido e semplice per sviluppare applicazioni e servizi di AI per la visione on-premise, all'edge e nel cloud.

Prerequisiti#

Prima di iniziare a seguire questa guida:

• Consulta la nostra documentazione, Guida introduttiva: NVIDIA Jetson con Ultralytics YOLO26, per configurare il tuo dispositivo NVIDIA Jetson con Ultralytics YOLO26
• Installa DeepStream SDK in base alla versione di JetPack
  • Per JetPack 4.6.4, installa DeepStream 6.0.1
  • Per JetPack 5.1.3, installa DeepStream 6.3
  • Per JetPack 6.1, installa DeepStream 7.1
  • Per JetPack 7.1, installa DeepStream 9.0

Configurazione di DeepStream per YOLO26#

Qui usiamo il repository GitHub marcoslucianops/DeepStream-Yolo, che include il supporto di NVIDIA DeepStream SDK per i modelli YOLO. Apprezziamo il lavoro di marcoslucianops e il suo contributo!

1. Installa Ultralytics con le dipendenze necessarie

   pip install ultralytics onnx onnxslim

2. Clona il repository DeepStream-Yolo

   cd ~
   git clone https://github.com/marcoslucianops/DeepStream-Yolo

3. Scarica il modello di rilevamento Ultralytics YOLO26 (.pt) che preferisci dal progetto YOLO26. Qui usiamo yolo26s.pt.

   wget https://github.com/ultralytics/assets/releases/download/v8.4.0/yolo26s.pt

4. Converti il modello in ONNX e scrivi il file labels.txt da cui DeepStream legge i nomi delle classi

   from ultralytics import YOLO
   
   model = YOLO("yolo26s.pt")
   model.export(format="onnx", nms=False, agnostic_nms=True)  # crea 'yolo26s.onnx'
   with open("labels.txt", "w") as f:
       f.write("\n".join(model.names.values()))

5. Copia il file del modello generato .onnx e il file labels.txt nella cartella DeepStream-Yolo

   cp yolo26s.onnx labels.txt ~/DeepStream-Yolo
   cd ~/DeepStream-Yolo

6. Imposta la versione di CUDA in base alla versione di JetPack installata

   Per JetPack 4.6.4:

   export CUDA_VER=10.2

   Per JetPack 5.1.3:

   export CUDA_VER=11.4

   Per JetPack 6.1:

   export CUDA_VER=12.6

   Per JetPack 7.1:

   export CUDA_VER=13.0

7. Compila la libreria

   make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo

8. Modifica il file config_infer_primary_yolo26.txt in base al tuo modello (per YOLO26s con 80 classi)

   [property]
   ...
   onnx-file=yolo26s.onnx
   ...
   num-detected-classes=80
   ...
   parse-bbox-func-name=NvDsInferParseYolo
   ...

[property]
...
maintain-aspect-ratio=1
symmetric-padding=1
cluster-mode=4
...

9. Modifica il file deepstream_app_config

   ...
   [primary-gie]
   ...
   config-file=config_infer_primary_yolo26.txt

10. Puoi anche cambiare la sorgente video nel file deepstream_app_config. Qui viene caricato un file video predefinito

    ...
    [source0]
    ...
    uri=file:///opt/nvidia/deepstream/deepstream/samples/streams/sample_1080p_h264.mp4

Esegui l'inferenza#

deepstream-app -c deepstream_app_config.txt

Calibrazione INT8#

Se vuoi usare la precisione INT8 per l'inferenza, segui i passaggi seguenti:

1. Imposta la variabile d'ambiente OPENCV

   export OPENCV=1

2. Compila la libreria

   make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo

3. Per il dataset COCO, scarica val2017, estrailo e spostalo nella cartella DeepStream-Yolo

4. Crea una nuova directory per le immagini di calibrazione

   mkdir calibration

5. Esegui il comando seguente per selezionare 1000 immagini casuali dal dataset COCO da usare per la calibrazione

   for jpg in $(ls -1 val2017/*.jpg | sort -R | head -1000); do
     cp ${jpg} calibration/
   done

6. Crea il file calibration.txt con tutte le immagini selezionate

   realpath calibration/*jpg > calibration.txt

7. Imposta le variabili d'ambiente

   export INT8_CALIB_IMG_PATH=calibration.txt
   export INT8_CALIB_BATCH_SIZE=1

8. Aggiorna il file config_infer_primary_yolo26.txt

   Da

   ...
   model-engine-file=model_b1_gpu0_fp32.engine
   #int8-calib-file=calib.table
   ...
   network-mode=0
   ...

   A

   ...
   model-engine-file=model_b1_gpu0_int8.engine
   int8-calib-file=calib.table
   ...
   network-mode=1
   ...

Esegui l'inferenza INT8#

Esegui lo stesso comando per compilare il motore INT8 e avviare l'inferenza:

deepstream-app -c deepstream_app_config.txt

Configurazione MultiStream#

Per configurare più stream in una singola applicazione DeepStream, apporta le modifiche seguenti al file deepstream_app_config.txt:

1. Modifica il numero di righe e colonne per creare una griglia in base al numero di stream che vuoi usare. Per esempio, per 4 stream, puoi aggiungere 2 righe e 2 colonne.

   [tiled-display]
   rows=2
   columns=2

2. Aggiungi un gruppo [sourceN] separato per ogni stream, ciascuno con i propri uri e num-sources=1.

   [source0]
   enable=1
   type=3
   uri=file:///path/to/video1.mp4
   num-sources=1
   
   [source1]
   enable=1
   type=3
   uri=file:///path/to/video2.mp4
   num-sources=1
   
   [source2]
   enable=1
   type=3
   uri=file:///path/to/video3.mp4
   num-sources=1
   
   [source3]
   enable=1
   type=3
   uri=file:///path/to/video4.mp4
   num-sources=1

Esegui l'inferenza multi-stream#

Esegui lo stesso comando per avviare tutti gli stream nella visualizzazione a mosaico:

deepstream-app -c deepstream_app_config.txt

Risultati dei benchmark#

I seguenti benchmark riassumono le prestazioni dei modelli YOLO11 ai diversi livelli di precisione TensorRT, con una dimensione di input di 640x640 su NVIDIA Jetson Orin NX 16GB. YOLO26 usa lo stesso flusso di lavoro di esportazione e inferenza DeepStream descritto sopra.

Grafico di confronto#

Tabella di confronto dettagliata#

Ringraziamenti#

Questa guida è stata creata inizialmente dai nostri amici di Seeed Studio, Lakshantha ed Elaine.

Domande frequenti#