YOLO Vision 2026:

Distribuizione di Luxonis OAK per Ultralytics YOLO#

Le fotocamere Luxonis OAK eseguono i modelli Ultralytics YOLO direttamente sul dispositivo dopo la conversione con gli strumenti Luxonis. Si tratta di un flusso di lavoro di distribuzione manuale; Luxonis non è una destinazione model.export(format="...") nativa di Ultralytics.

Questa guida copre i dispositivi RVC2 e RVC4. Effettua la conversione per la piattaforma della tua fotocamera: gli artefatti RVC2 e RVC4 non sono interdipendenti. Le famiglie di modelli supportate e i task variano; controlla la matrice di supporto di Luxonis Tools prima della conversione.

Inizia con un checkpoint YOLO .pt supportato, come yolo26n.pt, o con il tuo modello addestrato. Il NN Archive convertito impacchetta il modello e i metadati di esecuzione.

Conversione Cloud con Luxonis Hub#

  1. Accedi a Luxonis Hub e apri Quick Conversion.
  2. Seleziona YOLO, scegli RVC2 o RVC4 e carica il tuo checkpoint .pt.
  3. Imposta la forma dell'input e i parametri di conversione, quindi invia la conversione.
  4. Una volta completata, copia l'identificatore del modello convertito per l'esempio di inferenza sottostante o scarica il relativo NN Archive.

Per la conversione automatizzata o per i dati di calibrazione personalizzati RVC4, usa l' HubAI SDK. Segui le istruzioni di installazione in un ambiente Python 3.10+. Detailed Conversion fornisce la gestione del registro e i dataset di calibrazione predefiniti.

Conversione locale con Tools e ModelConverter#

Usa Python 3.10+ e Docker. Installa Luxonis Tools seguendo le istruzioni di configurazione upstream, compresi i vincoli delle dipendenze. Tools prepara gli output YOLO per il parsing di Luxonis; un'esportazione ONNX generica non sostituisce questo passaggio.

# Export the checkpoint to an ONNX NN Archive
tools yolo26n.pt --imgsz "640 640" --output-dir output

# Install the target-platform converter
pip install modelconv==0.6.0

Tools scrive yolo26n.tar.xz all'interno di una directory con timestamp in output/. Sostituisci il percorso di esempio sottostante con quel file. Per la conversione RVC4 INT8, popola calibration_images/ con immagini di distribuzione rappresentative; consulta i requisiti dei dati di calibrazione.

modelconverter convert rvc4 --path output/yolo26n_20260807_104858/yolo26n.tar.xz \
  calibration.path calibration_images/

Per RVC2, usa rvc2 al posto di rvc4; le immagini di calibrazione non sono necessarie per la sua conversione FP16. Usa il NN Archive compilato risultante dalla directory di output di ModelConverter per l'inferenza, anziché l'archivio ONNX intermedio. Consulta ModelConverter per i percorsi di output e le opzioni specifiche della piattaforma.

Esegui l'inferenza su una fotocamera OAK#

Collega una fotocamera OAK compatibile e installa DepthAI nel tuo ambiente Python:

pip install depthai==3.9.0

Per un modello Hub privato, imposta DEPTHAI_HUB_API_KEY su una chiave API di Luxonis Hub prima di eseguire lo script. Sostituisci your-model-identifier con l'identificatore di Hub o usa l'alternativa del NN Archive compilato localmente.

import depthai as dai

model = "your-model-identifier"
# Alternatively, use your converted local artifact:
# model = dai.NNArchive("path/to/model.rvc4.tar.xz")

visualizer = dai.RemoteConnection()

with dai.Pipeline() as pipeline:
    camera = pipeline.create(dai.node.Camera).build()
    detection = pipeline.create(dai.node.DetectionNetwork).build(camera, model)

    visualizer.addTopic("rgb", detection.passthrough, group="RGB")
    visualizer.addTopic("detections", detection.out, group="RGB")

    pipeline.start()
    visualizer.registerPipeline(pipeline)

    while pipeline.isRunning():
        if visualizer.waitKey(1) == ord("q"):
            pipeline.stop()

Apri http://localhost:8082 per visualizzare il flusso RGB e i rilevamenti. DetectionNetwork supporta anche modelli di segmentazione d'istanza e posa compatibili. Per altri task, tra cui la segmentazione semantica e la classificazione, segui la guida all'inferenza specifica per task.

Per le pipeline di profondità stereo, consulta l'esempio di rilevamento spaziale. Misura il tuo modello sulla fotocamera di destinazione usando la guida al benchmarking; il throughput dipende dal modello, dalla dimensione dell'input, dalla precisione e dalla configurazione della pipeline.

Contributori
KLklemen19991

Commenti