Ultralytics YOLO26 su NVIDIA Jetson utilizzando DeepStream SDK e TensorRT#

Questa guida completa offre una panoramica dettagliata per distribuire Ultralytics YOLO26 su dispositivi NVIDIA Jetson utilizzando DeepStream SDK e TensorRT. Qui utilizziamo TensorRT per massimizzare le prestazioni di inferenza sulla piattaforma Jetson.

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

Cos'è NVIDIA DeepStream?#

DeepStream SDK di NVIDIA è un toolkit completo per l'analisi in streaming basato su GStreamer per l'elaborazione multi-sensore basata su IA, video, audio e comprensione delle immagini. È ideale per sviluppatori di computer vision, partner software, startup e OEM che realizzano 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 tracciamento, codifica/decodifica video e rendering video. Queste pipeline consentono analisi in tempo reale su dati video, di immagini e di sensori. Il supporto multi-piattaforma di DeepStream ti offre un modo più rapido e semplice per sviluppare applicazioni e servizi di computer vision on-premise, edge e nel cloud.

Prerequisiti#

Prima di iniziare a seguire questa guida:

• Visita la nostra documentazione, Guida rapida: 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 stiamo utilizzando il repository GitHub marcoslucianops/DeepStream-Yolo che include il supporto di NVIDIA DeepStream SDK per i modelli YOLO. Ringraziamo 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 file export_yolo26.py dalla directory DeepStream-Yolo/utils alla cartella ultralytics

   cp ~/DeepStream-Yolo/utils/export_yolo26.py ~/ultralytics
   cd ultralytics

4. Scarica un modello di rilevamento Ultralytics YOLO26 (.pt) a tua scelta dal progetto YOLO26. Qui utilizziamo yolo26s.pt.

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

5. Converti il modello in ONNX

   python3 export_yolo26.py -w yolo26s.pt

--opset 12

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

-s 1280
or
-s 1280 1280

--simplify

--dynamic

--batch 4

6. 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

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 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
...

10. Modifica il file deepstream_app_config

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

11. 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 utilizzare la precisione INT8 per l'inferenza, devi seguire 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 il file val2017, estrailo e spostalo nella cartella DeepStream-Yolo

4. Crea una nuova directory per le immagini di calibrazione

   mkdir calibration

5. Esegui quanto segue 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

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 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 all'interno di una singola applicazione DeepStream, apporta le seguenti modifiche al file deepstream_app_config.txt:

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. Aggiungi un gruppo [sourceN] separato per ogni flusso, 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 inferenza multi-stream#

Esegui lo stesso comando per avviare tutti gli stream nel display a mosaico:

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. YOLO26 utilizza lo stesso flusso di lavoro di esportazione e inferenza DeepStream descritto in precedenza.

Tabella di confronto#

Tabella di confronto dettagliata#

Ringraziamenti#

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

FAQ#