Ultralytics YOLO26モデル向けRockchip RKNNエクスポート#

組み込みデバイス、特にRockchipプロセッサを搭載したデバイスにコンピュータービジョンモデルをデプロイする場合、互換性のあるモデル形式を使用することが重要です。Ultralytics YOLO26モデルをRKNN形式にエクスポートすると、Rockchipハードウェアに最適化されたパフォーマンスと互換性を確保できます。このガイドでは、浮動小数点およびINT8量子化エクスポートを含め、YOLO26モデルをRKNN形式に変換してRockchipプラットフォームに効率的にデプロイする方法を説明します。

Rockchipとは何ですか？#

Rockchipは、多用途で電力効率に優れたソリューションを提供することで知られており、幅広いコンシューマーエレクトロニクス、産業用途、AIテクノロジーを支える高度なシステムオンチップ（SoCs）を設計しています。ARMベースのアーキテクチャ、内蔵ニューラルプロセッシングユニット（NPUs）、高解像度マルチメディアのサポートにより、Rockchip SoCsはタブレット、スマートTV、IoTシステム、エッジAIアプリケーションなどのデバイスで最先端のパフォーマンスを実現します。Radxa、ASUS、Pine64、Orange Pi、Odroid、Khadas、Banana Piなどの企業は、Rockchip SoCsをベースとするさまざまな製品を提供しており、多様な市場での普及と影響力をさらに高めています。

RKNN Toolkit#

RKNN Toolkitは、Rockchipが提供するツールとライブラリのセットであり、自社のハードウェアプラットフォームへのディープラーニングモデルのデプロイを容易にします。RKNN、つまりRockchipニューラルネットワークは、これらのツールで使用される独自形式です。RKNNモデルは、RockchipのNPU（ニューラルプロセッシングユニット）が提供するハードウェアアクセラレーションを最大限に活用するよう設計されており、RK3588、RK3566、RV1103、RV1106などのRockchip搭載システムでAIタスクの高いパフォーマンスを実現します。

RKNNモデルの主な機能#

RKNNモデルをRockchipプラットフォームにデプロイすると、次のような利点があります。

• NPU向けに最適化: RKNNモデルはRockchipのNPU上で実行するために特別に最適化されており、最大限のパフォーマンスと効率を確保します。
• 低レイテンシ: RKNN形式は推論レイテンシを最小限に抑えます。これはエッジデバイス上のリアルタイムアプリケーションにとって重要です。
• プラットフォーム固有のカスタマイズ: RKNNモデルは特定のRockchipプラットフォーム向けに調整できるため、ハードウェアリソースをより有効に活用できます。
• 電力効率: 専用NPUハードウェアを活用することで、RKNNモデルはCPUやGPUベースの処理よりも消費電力を抑え、ポータブルデバイスのバッテリー駆動時間を延長します。

RockchipハードウェアにOSをフラッシュする#

Rockchipベースのデバイスを入手した後の最初のステップは、ハードウェアが動作環境を起動できるようにOSをフラッシュすることです。このガイドでは、テストした2つのデバイス、Radxa Rock 5BとRadxa Zero 3Wのスタートガイドを紹介します。

• Radxa Rock 5Bスタートガイド
• Radxa Zero 3Wスタートガイド

サポートされるタスク#

RKNNエクスポートは、Ultralyticsの7つすべてのタスクをサポートします。セマンティックセグメンテーションと深度推定は、これらのヘッドを搭載して出荷される唯一のファミリーであるYOLO26でのみ利用できます。

RKNNへのエクスポート: YOLO26モデルの変換#

Ultralytics YOLO26モデルをRKNN形式にエクスポートし、エクスポートしたモデルで推論を実行します。

インストール#

必要なパッケージをインストールするには、次を実行します。

# Install the required package for YOLO26
pip install ultralytics

インストールプロセスの詳細な手順とベストプラクティスについては、Ultralyticsインストールガイドをご確認ください。YOLO26に必要なパッケージのインストール中に問題が発生した場合は、解決策とヒントについて一般的な問題のガイドを参照してください。

使用方法#

RKNN形式は、エクスポート、予測、検証モードをサポートします。推論と検証はRockchip NPU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てから、エクスポートしたモデルを読み込み、推論を実行するか精度を検証します。デフォルトでは、RKNNエクスポートはFP16対応Rockchipターゲット向けに浮動小数点ビルドパス（quantize=16）を使用します。キャリブレーションデータを使用してINT8量子化RKNNモデルをビルドするには、quantize=8を使用します。RKNNエクスポートには個別のFP32モードはなく、デフォルトのFP16でFP32が要求されることはありません。

from ultralytics import YOLO

# Load a YOLO26 model (replace with any supported task model)
model = YOLO("yolo26n-obb.pt")

# Export the model to RKNN format
model.export(format="rknn", name="rk3588")  # creates 'yolo26n-obb_rknn_model'

# Export an INT8-quantized RKNN model with calibration data (detection models only)
model = YOLO("yolo26n.pt")
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")  # creates 'yolo26n_rknn_model'

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

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

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

# Validate accuracy on the DOTA8 dataset
metrics = model.val(data="dota8.yaml")

エクスポート引数#

エクスポートプロセスの詳細については、エクスポートに関するUltralyticsドキュメントページをご覧ください。

エクスポートしたYOLO26 RKNNモデルのデプロイ#

Ultralytics YOLO26モデルをRKNN形式に正常にエクスポートしたら、次のステップはRockchipベースのデバイスにこれらのモデルをデプロイすることです。

インストール#

必要なパッケージをインストールするには、次を実行します。

# Install the required package for YOLO26
pip install ultralytics

インストール後、上記の使用方法セクションに示されているとおりに、Rockchipデバイス上で推論と検証を実行します。エクスポートした_rknn_modelはYOLO(...)で直接読み込めます。

実世界での用途#

YOLO26 RKNNモデルを搭載したRockchipデバイスは、さまざまな用途に使用できます。

• スマート監視: 低消費電力でセキュリティ監視向けの効率的な物体検出システムをデプロイします。
• 産業オートメーション: 組み込みデバイス上で品質管理と欠陥検出を直接実装します。
• 小売分析: クラウドに依存せず、顧客行動と在庫管理をリアルタイムで追跡します。
• スマート農業: 農業におけるコンピュータービジョンを使用して、作物の健全性を監視し、害虫を検出します。
• 自律ロボティクス: リソースに制約のあるプラットフォーム上で、ビジョンベースのナビゲーションと障害物検出を実現します。

ベンチマーク#

以下のYOLO26ベンチマークは、Ultralyticsチームが、Rockchip RK3588をベースとするRadxa Rock 5B上で、速度と精度を測定するrknnモデル形式を使用して実施しました。

まとめ#

このガイドでは、Ultralytics YOLO26モデルをRKNN形式にエクスポートしてRockchipプラットフォームへのデプロイを強化する方法を学びました。また、RKNN Toolkitと、エッジAIアプリケーションでRKNNモデルを使用する具体的な利点についても説明しました。

Ultralytics YOLO26とRockchipのNPUテクノロジーを組み合わせることで、組み込みデバイス上で高度なコンピュータービジョンタスクを実行するための効率的なソリューションを提供できます。このアプローチにより、最小限の消費電力と高いパフォーマンスで、リアルタイムの物体検出やその他のビジョンAIアプリケーションを実現できます。

使用方法の詳細については、RKNN公式ドキュメントをご覧ください。

また、その他のUltralytics YOLO26インテグレーションについて詳しく知りたい場合は、インテグレーションガイドページをご覧ください。役立つリソースや知見が多数掲載されています。

FAQ#