Ultralytics YOLO11 モデルの RKNN エクスポート

組み込み機器、特にRockchipプロセッサを搭載した機器にコンピュータビジョンモデルを展開する場合、互換性のあるモデルフォーマットが不可欠です。モデルを Ultralytics YOLO11モデルを RKNN フォーマットにエクスポートすることで、最適化されたパフォーマンスと Rockchip ハードウェアとの互換性が保証されます。このガイドでは、YOLO11 のモデルを RKNN フォーマットに変換する手順を説明し、Rockchip プラットフォームへの効率的な展開を可能にします。

ロックチップとは？

多用途で電力効率の高いソリューションの提供で知られるRockchip社は、民生用電子機器、産業用アプリケーション、AI技術など幅広い分野に対応する先進的なシステムオンチップ（SoC）を設計しています。ARMベースのアーキテクチャ、内蔵NPU（Neural Processing Unit）、高解像度マルチメディアサポートにより、Rockchip社のSoCはタブレット、スマートテレビ、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性能を発揮します。Radxa、ASUS、Pine64、Orange Pi、Odroid、Khadas、Banana Piなどの企業は、Rockchip SoCをベースとしたさまざまな製品を提供しており、多様な市場へのリーチと影響力をさらに拡大しています。

RKNNツールキット

RKNN Toolkitは、Rockchip社が提供するツールとライブラリのセットで、同社のハードウェアプラットフォーム上でのディープラーニングモデルの展開を容易にする。RKNN（Rockchip Neural Network）は、これらのツールで使用される独自のフォーマットです。RKNNモデルは、Rockchip社のNPU（Neural Processing Unit）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に設計されており、RK3588、RK3566、RV1103、RV1106、その他のRockchip社製システムなどのデバイス上のAIタスクで高い性能を発揮します。

RKNNモデルの主な特徴

RKNNモデルには、Rockchipプラットフォームで展開する上でいくつかの利点がある：

• NPUに最適化：RKNNモデルはRockchipのNPU上で動作するように特別に最適化されており、最大のパフォーマンスと効率を保証します。
• 低レイテンシー：RKNNフォーマットは推論レイテンシーを最小化します。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プラットフォームに合わせてカスタマイズできるため、ハードウェア・リソースをより有効に活用できます。

フラッシュOSをロックチップのハードウェアに

Rockchipベースのデバイスを手に入れた後の最初のステップは、OSをフラッシュし、ハードウェアが動作環境に起動できるようにすることだ。このガイドでは、私たちがテストした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

RKNNへのエクスポート：YOLO11 モデルの変換

Ultralytics YOLO11 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する。

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

# Install the required package for YOLO11
pip install ultralytics

インストールプロセスに関する詳細な説明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覧ください。YOLO11 に必要なパッケージをインストールする際に、何らかの問題が発生した場合は、解決策やヒントについて、よくある問題ガイドを参照してください。

使用方法

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to RKNN format
# Here name can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118
model.export(format="rknn", args={"name": "rk3588"})  # creates '/yolo11n_rknn_model'

# Export a YOLO11n PyTorch model to RKNN format
# Here name can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118
yolo export model=yolo11n.pt format=rknn name=rk3588  # creates '/yolo11n_rknn_model'

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

エクスポートされたYOLO11 RKNN モデルの展開

Ultralytics YOLO11 モデルのRKNNフォーマットへのエクスポートに成功したら、次のステップは、これらのモデルをRockchipベースのデバイスに展開することです。

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

# Install the required package for YOLO11
pip install ultralytics

使用方法

from ultralytics import YOLO

# Load the exported RKNN model
rknn_model = YOLO("./yolo11n_rknn_model")

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

# Run inference with the exported model
yolo predict model='./yolo11n_rknn_model' source='https://ultralytics.com/images/bus.jpg'

ベンチマーク

YOLO11 以下のベンチマークは、Rockchip RK3588ベースのRadxa Rock 5B上でUltralytics 。 rknn スピードと精度を測定するモデル形式。

概要

このガイドでは、Ultralytics YOLO11 モデルを RKNN フォーマットにエクスポートし、Rockchip プラットフォームへの展開を強化する方法を学びました。また、RKNN ツールキットと、エッジ AI アプリケーションに RKNN モデルを使用する具体的な利点についても紹介しました。

使い方の詳細については、RKNNの公式ドキュメントをご覧ください。

また、その他のUltralytics YOLO11 の統合について詳しくお知りになりたい場合は、統合ガイドのページをご覧ください。有用なリソースや見識がたくさん見つかります。

📅作成 0 日前 ✏️更新 0日前

コメント