Ultralytics YOLOのLuxonis OAKへのデプロイ#

Luxonis OAKカメラでは、Luxonisのツールを使って変換した後、Ultralytics YOLOモデルをデバイス上で実行できます。これは手動で行うデプロイワークフローであり、LuxonisはUltralyticsのネイティブなmodel.export(format="...")ターゲットではありません。

このガイドではRVC2およびRVC4デバイスを扱います。カメラのプラットフォームに合わせて変換してください。RVC2とRVC4の成果物は相互に使用できません。対応するモデルファミリーとタスクは異なる場合があるため、変換する前にLuxonis Toolsの対応表をご確認ください。

yolo26n.ptなど、対応するYOLOの.ptチェックポイント、または独自のトレーニング済みモデルを使用します。変換後のNN Archiveには、モデルとランタイムのメタデータがまとめられています。

Luxonis Hubを使ったクラウド変換#

1. Luxonis Hubにサインインし、クイック変換を開きます。
2. YOLOを選択し、RVC2またはRVC4を選んで、.ptチェックポイントをアップロードします。
3. 入力形状と変換パラメーターを設定し、変換を実行します。
4. 完了後、以下の推論例で使う変換済みモデルの識別子をコピーするか、NN Archiveをダウンロードします。

自動変換またはカスタムRVC4キャリブレーションデータには、HubAI SDKを使用してください。Python 3.10以降の環境で、インストール手順に従ってください。詳細な変換手順では、レジストリ管理と事前定義済みのキャリブレーションデータセットを利用できます。

ToolsおよびModelConverterを使ったローカル変換#

Python 3.10以降とDockerを使用します。依存関係の制約を含め、上流のセットアップ手順に従ってLuxonis Toolsをインストールします。Toolsは、Luxonisで解析できるようにYOLOの出力を準備します。一般的なONNXエクスポートでは、この手順を代替できません。

# 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は、output/内のタイムスタンプ付きディレクトリにyolo26n.tar.xzを書き込みます。以下の例のパスをそのファイルに置き換えてください。RVC4のINT8変換では、calibration_images/にデプロイ環境を代表する画像を用意してください。キャリブレーションデータの要件をご覧ください。

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

RVC2の場合は、rvc4の代わりにrvc2を使用してください。FP16変換にキャリブレーション画像は必要ありません。推論には、中間のONNXアーカイブではなく、ModelConverterの出力ディレクトリにある生成済みのコンパイル済みNN Archiveを使用してください。出力パスとプラットフォーム固有のオプションについては、ModelConverterをご覧ください。

OAKカメラで推論を実行#

対応するOAKカメラを接続し、Python環境にDepthAIをインストールします。

pip install depthai==3.9.0

プライベートHubモデルの場合は、スクリプトを実行する前にDEPTHAI_HUB_API_KEYにLuxonis Hub APIキーを設定してください。your-model-identifierをHubの識別子に置き換えるか、ローカルのコンパイル済みNN Archiveを使用してください。

import depthai as dai

model = "your-model-identifier"
# または、変換済みのローカル成果物を使用します。
# 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()

http://localhost:8082を開くと、RGBストリームと検出結果を表示できます。DetectionNetworkは、対応するインスタンスセグメンテーションモデルとポーズモデルもサポートしています。セマンティックセグメンテーションや分類など、ほかのタスクについては、タスク別の推論ガイダンスに従ってください。

ステレオ深度パイプラインについては、空間検出の例をご覧ください。ベンチマークガイドを参考に、対象カメラでモデルを測定してください。スループットは、モデル、入力サイズ、精度、パイプライン構成によって異なります。

よくある質問#