Ultralytics YOLO11 su NVIDIA Jetson utilizzando DeepStream SDK e TensorRT

Guarda: Come utilizzare i modelli Ultralytics YOLO11 con NVIDIA Deepstream su Jetson Orin NX 🚀

Questa guida completa fornisce una procedura dettagliata per il deployment di Ultralytics YOLO11 su dispositivi NVIDIA Jetson utilizzando DeepStream SDK e TensorRT. In questo caso, utilizziamo TensorRT per massimizzare le prestazioni di inferenza sulla piattaforma Jetson.

Cos'è NVIDIA DeepStream?

DeepStream SDK di NVIDIA è un toolkit completo di analisi di streaming basato su GStreamer per l'elaborazione multi-sensore basata su IA, video, audio e comprensione delle immagini. È ideale per sviluppatori di vision AI, partner software, startup e OEM che creano app e servizi IVA (Intelligent Video Analytics). Ora puoi creare pipeline di elaborazione di flussi che incorporano 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 su dati video, immagini e sensori. Il supporto multi-piattaforma di DeepStream ti offre un modo più rapido e semplice per sviluppare applicazioni e servizi di vision AI on-premise, all'edge e nel cloud.

Prerequisiti

Prima di iniziare a seguire questa guida:

• Visita la nostra documentazione, Guida rapida: NVIDIA Jetson con Ultralytics YOLO11 per configurare il tuo dispositivo NVIDIA Jetson con Ultralytics YOLO11
• 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

Configurazione di DeepStream per YOLO11

Qui stiamo utilizzando il repository GitHub marcoslucianops/DeepStream-Yolo che include il supporto NVIDIA DeepStream SDK per i modelli YOLO. Apprezziamo gli sforzi di marcoslucianops per i suoi contributi!

1. Installa Ultralytics con le dipendenze necessarie

   cd ~
   pip install -U pip
   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   pip install -e ".[export]" onnxslim
   

2. Clona il repository DeepStream-Yolo

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

3. Copia il export_yolo11.py file da DeepStream-Yolo/utils directory alla ultralytics cartella

   cp ~/DeepStream-Yolo/utils/export_yolo11.py ~/ultralytics
   cd ultralytics
   

4. Scarica il modello di rilevamento Ultralytics YOLO11 (.pt) di tua scelta dalle release di YOLO11. Qui usiamo yolo11s.pt.

   wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11s.pt
   

   Nota

   Puoi anche utilizzare un modello YOLO11 addestrato personalizzato.

5. Converti il modello in ONNX

   python3 export_yolo11.py -w yolo11s.pt
   

   Passa gli argomenti seguenti al comando sopra

   Per DeepStream 5.1, rimuovi il --dynamic argomento e utilizzo opset 12 o inferiore. Il valore predefinito opset è 17.

   --opset 12
   

   Per modificare la dimensione di inferenza (predefinita: 640)

   -s SIZE
   --size SIZE
   -s HEIGHT WIDTH
   --size HEIGHT WIDTH
   

   Esempio per 1280:

   -s 1280
   or
   -s 1280 1280
   

   Per semplificare il modello ONNX (DeepStream >= 6.0)

   --simplify
   

   Per utilizzare il batch-size dinamico (DeepStream >= 6.1)

   --dynamic
   

   Per utilizzare il batch-size statico (esempio per batch-size = 4)

   --batch 4
   

6. Copia il codice generato .onnx file del modello e labels.txt file al DeepStream-Yolo cartella

   cp yolo11s.pt.onnx labels.txt ~/DeepStream-Yolo
   cd ~/DeepStream-Yolo
   

7. 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
   

8. Compila la libreria

   make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo
   

9. Modifica il config_infer_primary_yolo11.txt file in base al tuo modello (per YOLO11 con 80 classi)

   [property]
   ...
   onnx-file=yolo11s.pt.onnx
   ...
   num-detected-classes=80
   ...
   

10. Modifica il deepstream_app_config file

    ...
    [primary-gie]
    ...
    config-file=config_infer_primary_yolo11.txt
    

11. Puoi anche modificare la sorgente video in deepstream_app_config file. Qui viene caricato un file video predefinito

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

Esegui inferenza

deepstream-app -c deepstream_app_config.txt

Calibrazione INT8

Se desideri utilizzare la precisione INT8 per l'inferenza, devi seguire i passaggi seguenti

1. Imposta OPENCV variabile d'ambiente

   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, scaricare il val2017, estrarre e spostare in DeepStream-Yolo cartella

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 per eseguire la calibrazione

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

   Nota

   NVIDIA raccomanda almeno 500 immagini per ottenere una buona precisione. In questo esempio, vengono scelte 1000 immagini per ottenere una precisione migliore (più immagini = più precisione). Puoi impostarlo da head -1000. Ad esempio, per 2000 immagini, head -2000. Questo processo può richiedere molto tempo.

6. Crea il calibration.txt file 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
   

   Nota

   Valori più alti di INT8_CALIB_BATCH_SIZE comporteranno una maggiore accuratezza e una maggiore velocità di calibrazione. Impostalo in base alla memoria della tua GPU.

8. Aggiorna il config_infer_primary_yolo11.txt file

   Da

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

   Per

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

Esegui inferenza

deepstream-app -c deepstream_app_config.txt

Configurazione MultiStream

Guarda: Come eseguire più stream con DeepStream SDK su Jetson Nano utilizzando Ultralytics YOLO11 🎉

Per configurare più stream in una singola applicazione deepstream, puoi apportare le seguenti modifiche al deepstream_app_config.txt file

1. Modifica le righe e le colonne per creare una visualizzazione a griglia in base al numero di stream che desideri avere. Ad esempio, per 4 stream, possiamo aggiungere 2 righe e 2 colonne.

   [tiled-display]
   rows=2
   columns=2
   

2. Imposta num-sources=4 e aggiungi uri di tutti e 4 i flussi

   [source0]
   enable=1
   type=3
   uri=path/to/video1.jpg
   uri=path/to/video2.jpg
   uri=path/to/video3.jpg
   uri=path/to/video4.jpg
   num-sources=4
   

Esegui inferenza

deepstream-app -c deepstream_app_config.txt

Risultati del Benchmark

I seguenti benchmark riassumono le prestazioni dei modelli YOLO11 a diversi livelli di precisione TensorRT con una dimensione di input di 640x640 su NVIDIA Jetson Orin NX 16GB.

Tabella comparativa

Tabella comparativa dettagliata

Ringraziamenti

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

FAQ

Come posso configurare Ultralytics YOLO11 su un dispositivo NVIDIA Jetson?

Per configurare Ultralytics YOLO11 su un dispositivo NVIDIA Jetson, è necessario innanzitutto installare l'SDK DeepStream compatibile con la versione di JetPack. Segui la guida dettagliata nella nostra Guida rapida per configurare il tuo NVIDIA Jetson per l'implementazione di YOLO11.

Qual è il vantaggio di utilizzare TensorRT con YOLO11 su NVIDIA Jetson?

L'utilizzo di TensorRT con YOLO11 ottimizza il modello per l'inferenza, riducendo significativamente la latenza e migliorando il throughput sui dispositivi NVIDIA Jetson. TensorRT fornisce inferenza di deep learning a elevate prestazioni e bassa latenza attraverso la fusione di layer, la calibrazione della precisione e l'auto-tuning del kernel. Ciò porta a un'esecuzione più rapida ed efficiente, particolarmente utile per applicazioni in tempo reale come l'analisi video e le macchine autonome.

Posso eseguire Ultralytics YOLO11 con DeepStream SDK su diversi hardware NVIDIA Jetson?

Sì, la guida per l'implementazione di Ultralytics YOLO11 con DeepStream SDK e TensorRT è compatibile con l'intera linea NVIDIA Jetson. Ciò include dispositivi come Jetson Orin NX 16GB con JetPack 5.1.3 e Jetson Nano 4GB con JetPack 4.6.4. Fare riferimento alla sezione DeepStream Configuration for YOLO11 per i passaggi dettagliati.

Come posso convertire un modello YOLO11 in ONNX per DeepStream?

Per convertire un modello YOLO11 in formato ONNX per la distribuzione con DeepStream, utilizza il utils/export_yolo11.py script dal DeepStream-Yolo repository.

Ecco un comando di esempio:

python3 utils/export_yolo11.py -w yolo11s.pt --opset 12 --simplify

Per maggiori dettagli sulla conversione del modello, consulta la nostra sezione sull'esportazione del modello.

Quali sono i benchmark di performance per YOLO su NVIDIA Jetson Orin NX?

Le prestazioni dei modelli YOLO11 su NVIDIA Jetson Orin NX 16GB variano in base ai livelli di precisione di TensorRT. Ad esempio, i modelli YOLO11s raggiungono:

• Precisione FP32: 14.6 ms/im, 68.5 FPS
• Precisione FP16: 7.94 ms/im, 126 FPS
• Precisione INT8: 5,95 ms/im, 168 FPS

Questi benchmark sottolineano l'efficienza e la capacità di utilizzare modelli YOLO11 ottimizzati per TensorRT su hardware NVIDIA Jetson. Per ulteriori dettagli, consulta la nostra sezione Risultati dei Benchmark.

📅 Creato 1 anno fa ✏️ Aggiornato 2 mesi fa

Commenti