Link to this sectionUltralytics YOLO26 su NVIDIA Jetson utilizzando DeepStream SDK e TensorRT#

Questa guida completa fornisce una procedura 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.

Link to this sectionCos'è NVIDIA DeepStream?#

NVIDIA's DeepStream SDK è un toolkit completo per l'analisi in streaming basato su GStreamer per l'elaborazione multi-sensore basata su IA, la comprensione di video, audio e immagini. È ideale per sviluppatori di vision AI, partner software, startup e OEM che creano app e servizi di IVA (Intelligent Video Analytics). Ora puoi creare pipeline di elaborazione stream che incorporano reti neurali e altre attività di elaborazione complesse come il tracking, 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.

Link to this sectionPrerequisiti#

Prima di iniziare a seguire questa guida:

• Visita la nostra documentazione, Quick Start Guide: NVIDIA Jetson with 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

Link to this sectionConfigurazione 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. 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 file export_yolo26.py dalla directory DeepStream-Yolo/utils alla cartella ultralytics

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

4. Scarica il modello di rilevamento Ultralytics YOLO26 (.pt) che preferisci dalle YOLO26 releases. 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 .onnx generato e il file labels.txt nella cartella DeepStream-Yolo

   cp yolo26s.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 file config_infer_primary_yolo26.txt in base al tuo modello (per YOLO26s con 80 classi)

   [property]
   ...
   onnx-file=yolo26s.pt.onnx
   ...
   num-detected-classes=80
   ...

10. Modifica il file deepstream_app_config

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

11. Puoi anche modificare 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

Link to this sectionEsegui l'inferenza#

deepstream-app -c deepstream_app_config.txt

Link to this sectionCalibrazione 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 val2017, estrai e sposta 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
   ...

Link to this sectionEsegui l'inferenza#

deepstream-app -c deepstream_app_config.txt

Link to this sectionConfigurazione MultiStream#

Per configurare più stream in un'unica 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. Imposta num-sources=4 e aggiungi le voci uri per tutti e quattro gli stream.

   [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

Link to this sectionEsegui l'inferenza#

deepstream-app -c deepstream_app_config.txt

Link to this sectionRisultati del Benchmark#

I seguenti benchmark riassumono le prestazioni dei modelli YOLO26 a diversi livelli di precisione TensorRT con una dimensione di input di 640x640 su NVIDIA Jetson Orin NX 16GB.

Link to this sectionTabella di confronto#

Link to this sectionTabella di confronto dettagliata#

Link to this sectionRingraziamenti#

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

Link to this sectionFAQ#

Link to this sectionCome configuro Ultralytics YOLO26 su un dispositivo NVIDIA Jetson?#

Per configurare Ultralytics YOLO26 su un dispositivo NVIDIA Jetson, devi prima installare il DeepStream SDK compatibile con la tua versione di JetPack. Segui la guida passo-passo nella nostra Quick Start Guide per configurare il tuo NVIDIA Jetson per la distribuzione di YOLO26.

Link to this sectionQual è il vantaggio di utilizzare TensorRT con YOLO26 su NVIDIA Jetson?#

L'utilizzo di TensorRT con YOLO26 ottimizza il modello per l'inferenza, riducendo significativamente la latenza e migliorando il throughput sui dispositivi NVIDIA Jetson. TensorRT fornisce un'inferenza deep learning ad alte prestazioni e bassa latenza attraverso la fusione di layer, calibrazione di precisione e 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.

Link to this sectionPosso eseguire Ultralytics YOLO26 con DeepStream SDK su diversi hardware NVIDIA Jetson?#

Sì, la guida per la distribuzione di Ultralytics YOLO26 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. Consulta la sezione DeepStream Configuration for YOLO26 per i passaggi dettagliati.

Link to this sectionCome posso convertire un modello YOLO26 in ONNX per DeepStream?#

Per convertire un modello YOLO26 in formato ONNX per la distribuzione con DeepStream, utilizza lo script utils/export_yolo26.py dal repository DeepStream-Yolo.

Ecco un comando di esempio:

python3 utils/export_yolo26.py -w yolo26s.pt --opset 12 --simplify

Per ulteriori dettagli sulla conversione del modello, dai un'occhiata alla nostra sezione esportazione modello.

Link to this sectionQuali sono i benchmark delle prestazioni per YOLO su NVIDIA Jetson Orin NX?#

Le prestazioni dei modelli YOLO26 su NVIDIA Jetson Orin NX 16GB variano in base ai livelli di precisione di TensorRT. Ad esempio, i modelli YOLO26s ottengono:

• 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 le capacità dell'utilizzo di modelli YOLO26 ottimizzati con TensorRT su hardware NVIDIA Jetson. Per ulteriori dettagli, consulta la nostra sezione Risultati dei Benchmark.