Link to this sectionAxelera AIのエクスポートとデプロイ#

UltralyticsはAxelera AIと提携し、Edge AIデバイス上での高性能かつエネルギー効率の良い推論を実現します。Ultralytics YOLOモデルをエクスポートし、Voyager SDKを使用してMetis® AIPUに直接デプロイします。

Axelera AI provides dedicated hardware acceleration for computer vision at the edge, using a proprietary dataflow architecture and in-memory computing to deliver up to 856 TOPS with low power consumption.

Link to this section適切なハードウェアの選択#

Axelera AIは、さまざまなデプロイ要件に対応するため、多様なフォームファクタを提供しています。以下のチャートは、Ultralytics YOLOデプロイメントに最適なハードウェアを特定するのに役立ちます。

graph TD
    A[Start: Select Deployment Target] --> B{Device Type?}
    B -->|Edge Server / Workstation| C{Throughput Needs?}
    B -->|Embedded / Robotics| D{Space Constraints?}
    B -->|Standalone / R&D| E[Dev Kits & Systems]

    C -->|Max Density <br> 30+ Streams| F[**Metis PCIe x4**<br>856 TOPS]
    C -->|Standard PC <br> Low Profile| G[**Metis PCIe x1**<br>214 TOPS]

    D -->|Drones & Handhelds| H[**Metis M.2**<br>2280 M-Key]
    D -->|High Performance Embedded| I[**Metis M.2 MAX**<br>Extended Thermal]

    E -->|ARM-based All-in-One| J[**Metis Compute Board**<br>RK3588 + AIPU]
    E -->|Prototyping| K[**Arduino Portenta x8**<br>Integration Kit]

    click F "https://store.axelera.ai/"
    click G "https://store.axelera.ai/"
    click H "https://store.axelera.ai/"
    click J "https://store.axelera.ai/"

Link to this sectionハードウェアポートフォリオ#

Axeleraハードウェアラインナップは、Ultralytics YOLO26および従来のバージョンを、高いワットあたりのFPS効率で実行するように最適化されています。

Link to this sectionアクセラレータカード#

これらのカードは既存のホストデバイスでのAIアクセラレーションを可能にし、ブラウンフィールド展開を促進します。

Link to this section統合システム#

ターンキーソリューションのために、Axeleraはメーカーと提携し、Metis AIPU向けに事前検証済みのシステムを提供しています。

• Metis Compute Board: Metis AIPUとRockchip RK3588 ARM CPUを組み合わせたスタンドアロンのエッジデバイス。
• ワークステーション: Dell (Precision 3460XE) および Lenovo (ThinkStation P360 Ultra) のエンタープライズタワー。
• 産業用PC: 製造自動化向けに設計されたAdvantechおよびAetinaの堅牢なシステム。

Link to this sectionサポートされているタスク#

以下のタスクは、YOLOv8、YOLO11、およびYOLO26モデルでサポートされています。

Link to this sectionインストール#

Link to this sectionUltralyticsのインストール#

pip install ultralytics

詳細な手順については、Ultralyticsインストールガイドを参照してください。問題が発生した場合は、一般的な問題ガイドをご確認ください。

Link to this sectionAxeleraドライバのインストール#

1. Axeleraリポジトリキーを追加します：

   sudo sh -c "curl -fsSL https://software.axelera.ai/artifactory/api/security/keypair/axelera/public | gpg --dearmor -o /etc/apt/keyrings/axelera.gpg"

2. aptにリポジトリを追加します：

   使用しているOSに合わせて、以下の適切なスニペットを選択してください。

   # Ubuntu 22.04
   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu22 main' > /etc/apt/sources.list.d/axelera.list"

   # Ubuntu 24.04
   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu24 main' > /etc/apt/sources.list.d/axelera.list"

3. SDKをインストールし、ドライバをロードします：

   sudo apt update
   sudo apt install -y metis-dkms=1.4.16
   sudo modprobe metis

pip install axelera-devkit==1.6.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple
pip install axelera-rt==1.6.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple

Link to this sectionYOLOモデルのAxeleraへのエクスポート#

Axeleraフォーマットは、Export、Predict、および Validate モードをサポートしています。推論と検証はAxelera Metis AIPUハードウェア上で実行されます。モデルをエクスポートした後、エクスポートされたモデルを読み込んで推論を実行するか、精度を検証してください。

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to Axelera format
model.export(format="axelera")  # creates 'yolo26n_axelera_model'

from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionエクスポートの引数#

すべてのエクスポートオプションについては、Exportモードのドキュメントを参照してください。

Link to this section出力構造#

yolo26n_axelera_model/
├── yolo26n.axm                  # Axelera model file
├── compiler_config_final.toml  # Compiler configuration used for the build
└── metadata.yaml               # Model metadata (classes, image size, etc.)

Link to this sectionAxelera AIベンチマーク#

Metis AIPUは、エネルギー消費を最小限に抑えながらスループットを最大化します。

ベンチマークはAxelera AIのデータに基づいています。実際のFPSはモデルサイズ、バッチ処理、入力解像度によって異なります。

Link to this section実際のアプリケーション#

Axeleraハードウェア上のUltralytics YOLOは、高度なエッジコンピューティングソリューションを実現します：

• スマートリテール: 店舗最適化のためのリアルタイム物体カウントおよびヒートマップ分析。
• 産業安全: 製造環境における低レイテンシのPPE検出。
• Drone Analytics: High-speed object detection on UAVs for agriculture and search-and-rescue.
• Traffic Systems: Edge-based license plate recognition and speed estimation.

Link to this section推奨されるワークフロー#

1. Ultralytics Trainモードを使用してモデルをトレーニング
2. model.export(format="axelera") を使用してAxeleraフォーマットにエクスポート
3. yolo val を使用して精度を検証し、量子化による損失が最小限であることを確認します
4. 定性的な検証のために yolo predict を使用して予測します
5. Deploy to a high-performance end-to-end pipeline without PyTorch dependency — see the YOLO on Voyager SDK examples for composable Python pipelines using axelera-rt

Link to this sectionデバイス健全性チェック#

Axeleraデバイスが正常に機能しているか確認してください：

# if axdevice cannot be found, please run at least one inference (see above) to ensure the required packages are installed
axdevice

詳細な診断については、AxDeviceドキュメントを参照してください。

Link to this section最大パフォーマンス#

この統合では、互換性のためにシングルコア構成を使用します。最大スループットを必要とする本番環境向けには、Axelera Voyager SDKが以下の機能を提供します。

• マルチコア活用（クアッドコア Metis AIPU）
• ストリーミング推論パイプライン
• 高解像度カメラ向けタイルベース推論

FPSのベンチマークについてはmodel-zooを参照するか、本番環境のサポートについてはAxeleraにお問い合わせください。

Link to this section既知の課題#

サポートについては、Axelera Communityにアクセスしてください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionAxeleraでサポートされているYOLOのバージョンは何ですか？#

Voyager SDKは、YOLOv8、YOLO11、およびYOLO26モデルのエクスポートをサポートしています。モデルごとのタスクの可用性については、サポートされているタスクを参照してください。

Link to this section独自にトレーニングしたモデルをデプロイできますか？#

はい。サポートされているレイヤーと演算を使用している限り、Ultralytics Train Modeを使用してトレーニングされたモデルはすべてAxelera形式にエクスポート可能です。

Link to this sectionINT8量子化は精度にどのような影響を与えますか？#

AxeleraのVoyager SDKは、混合精度のAIPUアーキテクチャに合わせてモデルを自動的に量子化します。ほとんどの物体検出タスクにおいて、パフォーマンスの向上（FPSの向上、消費電力の削減）は、mAPへの最小限の影響を大幅に上回ります。量子化には、モデルサイズに応じて数秒から数時間かかります。エクスポート後にyolo valを実行して精度を確認してください。

Link to this sectionキャリブレーション画像は何枚使用すべきですか？#

100枚から400枚の使用を推奨します。400枚を超えても追加の利点はなく、量子化時間が増加するだけです。100枚、200枚、400枚で試行し、最適なバランスを見つけてください。

Link to this sectionVoyager SDKはどこで入手できますか？#

SDK、ドライバー、コンパイラツールは、Axelera Developer Portalから入手可能です。