Rockchip RKNNモデルのUltralytics YOLO26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上でコンピュータビジョンのモデルをデプロイする場合、互換性のあるモデルフォーマットを用意することが不可欠です。Ultralytics YOLO26 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、浮動小数点および INT8 量子化されたエクスポートを含め、YOLO26 モデルを RKNN フォーマットに変換する手順を説明し、Rockchip プラットフォーム上での効率的なデプロイを可能にします。

Rockchipとは#

汎用的で電力効率に優れたソリューションの提供で知られる Rockchip は、幅広い民生用電子機器、産業用アプリケーション、AI テクノロジーを駆動する高度な System-on-Chip (SoC) を設計しています。ARM ベースのアーキテクチャ、内蔵の Neural Processing Units (NPUs)、および高解像度マルチメディアサポートにより、Rockchip の SoC はタブレット、スマート TV、IoT システム、edge AI applications 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 などの企業が Rockchip SoC をベースにしたさまざまな製品を提供しており、多様な市場における影響力とリーチをさらに広げています。

RKNN Toolkit#

RKNN Toolkit は、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デプロイを容易にするために Rockchip が提供する一連のツールとライブラリです。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 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、およびその他の Rockchip 搭載システムなどのデバイスで AI タスクの高性能を実現します。

RKNNモデルの主な特長#

RKNNモデルは、Rockchipプラットフォームへのデプロイにおいていくつかの利点を提供します。

• NPU向け最適化: RKNNモデルはRockchipのNPUで動作するように特化して最適化されており、最大限のパフォーマンスと効率を保証します。
• 低レイテンシ: RKNN形式は推論レイテンシを最小限に抑えるため、エッジデバイスでのリアルタイムアプリケーションに不可欠です。
• 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調整可能であり、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: 専用の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寿命を延ばします。

RockchipハードウェアへのOSフラッシュ#

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で起動できるようにOSをフラッシュすることです。本ガイドでは、テストに使用したRadxa Rock 5BとRadxa Zero 3Wの2つのデバイスの入門ガイドを紹介します。

• Radxa Rock 5B Getting Started Guide
• Radxa Zero 3W Getting Started Guide

サポートされているタスク#

RKNNエクスポートは、7つのUltralyticsタスクすべてを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と深度推定は、それらのヘッドを搭載している唯一のファミリーであるYOLO26でのみ利用可能です。

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、エクスポートされ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、以下を実行してください。

# Install the required package for YOLO26
pip install ultralytics

インストールプロセスに関する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、一般的な問題ガイドを参照して解決策とヒントを確認してください。

使用方法#

RKNN 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 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た後、エクスポートされたモデルをロードして推論を実行するか、精度を検証します。デフォルトでは、RKNN エクスポートは FP16 対応の Rockchip ターゲットに対して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 量子化された 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 モードはありません。FP16 のデフォルトでは FP32 は要求されません。

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
model.export(format="rknn", name="rk3588", quantize=8, data="dota8.yaml")

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")

エクスポートの引数#

エクスポートプロセスの詳細については、Ultralytics documentation page on exporting をご覧ください。

エクスポートされた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、次はRockchipベースのデバイスにこれらのモデルをデプロイします。

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、以下を実行してください。

# Install the required package for YOLO26
pip install ultralytics

インストール後、上記の Usage 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。エクスポートされた _rknn_model は YOLO(...) で直接ロードされます。

実際のアプリケーション#

YOLO26 RKNNモデルを搭載したRockchipデバイスは、さまざまなアプリケーションで使用できます。

• スマート監視: 低消費電力でセキュリティ監視のための効率的なオブジェクト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行します。
• リテール分析: クラウドに依存せず、リアルタイムで顧客の行動や在庫管理を追跡します。
• Smart Agriculture: computer vision in agriculture を使用して、作物の健康状態を監視し、害虫を検出します。
• 自律型ロボット: リソースが限られた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可能にします。

ベンチマーク#

以下の YOLO26 ベンチマークは、Ultralytics チームによって、Rockchip RK3588 をベースにした Radxa Rock 5B 上で rknn モデルフォーマットを使用して速度と精度を測定して実行されました。

要約#

本ガイドでは、Ultralytics YOLO26モデルをRKNN形式にエクスポートし、Rockchipプラットフォーム上で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。

Ultralytics YOLO26 と Rockchip の NPU テクノロジーの組み合わせにより、組み込みデバイス上で高度なコンピュータ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が提供されます。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 object detection およびその他のビジョン AI アプリケーションが可能になります。

使用方法の詳細については、RKNN official documentation をご覧ください。

また、他の Ultralytics YOLO26 統合について詳しく知りたい場合は、integration guide page をご覧ください。役立つリソースや情報が豊富に揃っています。

よくある質問 (FAQ)#