Rockchip RKNN 모델을 위한 Ultralytics YOLO26 내보내기#

임베디드 기기, 특히 Rockchip 프로세서 기반 기기에서 컴퓨터 비전 모델을 배포할 때는 호환 가능한 모델 포맷을 갖추는 것이 필수적입니다. Ultralytics YOLO26 모델을 RKNN 포맷으로 내보내면 Rockchip 하드웨어와 최적화된 성능 및 호환성을 보장할 수 있습니다. 본 가이드에서는 부동소수점 및 INT8 양자화 내보내기를 포함하여 YOLO26 모델을 RKNN 포맷으로 변환하는 과정을 안내하며, 이를 통해 Rockchip 플랫폼에서 효율적인 배포가 가능해집니다.

Rockchip이란 무엇입니까?#

다재다능하고 전력 효율적인 솔루션을 제공하는 것으로 유명한 Rockchip은 다양한 가전제품, 산업용 애플리케이션, AI 기술을 구동하는 고급 SoC(System-on-Chip)를 설계합니다. ARM 기반 아키텍처, 내장 NPU(Neural Processing Unit), 고해상도 멀티미디어 지원을 갖춘 Rockchip SoC는 태블릿, 스마트 TV, IoT 시스템, 엣지 AI 애플리케이션 등의 기기에서 최첨단 성능을 구현합니다. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas, Banana Pi 등의 기업은 Rockchip SoC 기반의 다양한 제품을 제공하며 다양한 시장에서 그 영향력과 범위를 더욱 넓혀가고 있습니다.

RKNN 툴킷#

RKNN Toolkit은 사용자의 하드웨어 플랫폼에 딥러닝 모델을 쉽게 배포할 수 있도록 Rockchip에서 제공하는 도구 및 라이브러리 모음입니다. RKNN(Rockchip Neural Network)은 이러한 도구에서 사용하는 독자적인 포맷입니다. RKNN 모델은 Rockchip의 NPU(Neural Processing Unit)가 제공하는 하드웨어 가속을 최대한 활용하도록 설계되어 RK3588, RK3566, RV1103, RV1106 및 기타 Rockchip 기반 시스템의 기기에서 AI 태스크의 고성능을 보장합니다.

RKNN 모델의 주요 특징#

RKNN 모델은 Rockchip 플랫폼 배포에 대해 다음과 같은 여러 가지 이점을 제공합니다:

• NPU 최적화: RKNN 모델은 Rockchip의 NPU에서 실행되도록 특별히 최적화되어 최대 성능과 효율성을 보장합니다.
• 낮은 지연 시간: RKNN 형식은 추론 지연 시간을 최소화하며, 이는 엣지 장치의 실시간 애플리케이션에 매우 중요합니다.
• 플랫폼별 맞춤화: RKNN 모델을 특정 Rockchip 플랫폼에 맞게 조정하여 하드웨어 리소스 활용도를 높일 수 있습니다.
• 전력 효율성: 전용 NPU 하드웨어를 활용함으로써 RKNN 모델은 CPU나 GPU 기반 처리보다 전력을 적게 소비하여 휴대용 장치의 배터리 수명을 연장합니다.

Rockchip 하드웨어에 OS 플래싱하기#

Rockchip 기반 장치를 손에 넣은 후 첫 번째 단계는 하드웨어가 작업 환경으로 부팅될 수 있도록 OS를 플래싱하는 것입니다. 이 가이드에서는 테스트한 두 장치인 Radxa Rock 5B와 Radxa Zero 3W의 시작 가이드를 안내합니다.

• Radxa Rock 5B 시작하기 가이드
• Radxa Zero 3W 시작하기 가이드

지원되는 작업#

RKNN export supports all seven Ultralytics tasks. Semantic segmentation and depth estimation are available only with YOLO26, the only family that ships those heads.

RKNN으로 내보내기: YOLO26 모델 변환#

Ultralytics YOLO26 모델을 RKNN 형식으로 내보내고 내보낸 모델로 추론을 실행합니다.

설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

# Install the required package for YOLO26
pip install ultralytics

설치 과정과 관련된 자세한 지침과 모범 사례는 Ultralytics Installation guide를 확인하세요. YOLO26에 필요한 패키지를 설치하는 동안 문제가 발생하면 Common Issues guide에서 해결 방법과 팁을 참고하세요.

사용법#

RKNN 포맷은 Export, Predict, Validate 모드를 지원합니다. 추론과 검증은 Rockchip NPU 하드웨어에서 실행됩니다. 모델을 내보낸 후 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증할 수 있습니다. 기본적으로 RKNN 내보내기는 FP16을 지원하는 Rockchip 타겟을 위해 부동소수점 빌드 경로(quantize=16)를 사용합니다. 캘리브레이션 데이터가 포함된 INT8 양자화 RKNN 모델을 빌드하려면 quantize=8를 사용하세요. RKNN 내보내기는 별도의 FP32 모드를 제공하지 않으며, FP16 기본값은 FP32를 요청하지 않습니다.

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")

내보내기 인수#

내보내기 프로세스에 대한 자세한 내용은 내보내기에 관한 Ultralytics 문서 페이지를 방문하세요.

내보낸 YOLO26 RKNN 모델 배포하기#

Ultralytics YOLO26 모델을 RKNN 형식으로 성공적으로 내보낸 후 다음 단계는 Rockchip 기반 장치에 이러한 모델을 배포하는 것입니다.

설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

# Install the required package for YOLO26
pip install ultralytics

설치 완료 후, 위의 Usage 섹션에 표시된 것과 정확히 동일한 방식으로 Rockchip 기기에서 추론 및 검증을 실행하세요. 내보낸 _rknn_model은 YOLO(...)를 사용하여 직접 로드됩니다.

실제 활용 사례#

YOLO26 RKNN 모델을 탑재한 Rockchip 기반 장치는 다양한 애플리케이션에 활용할 수 있습니다:

• 스마트 감시: 낮은 전력 소비로 보안 모니터링을 위한 효율적인 객체 감지 시스템을 배포합니다.
• 산업 자동화: 임베디드 장치에서 직접 품질 관리 및 결함 감지를 구현합니다.
• 소매 분석: 클라우드 의존 없이 실시간으로 고객 행동을 추적하고 재고를 관리합니다.
• 스마트 농업: 농업 분야의 컴퓨터 비전을 사용하여 작물 상태를 모니터링하고 해충을 감지합니다.
• 자율 로봇 공학: 리소스가 제한된 플랫폼에서 비전 기반 내비게이션 및 장애물 감지를 활성화합니다.

벤치마크#

아래의 YOLO26 벤치마크는 Ultralytics 팀이 Rockchip RK3588 기반의 Radxa Rock 5B에서 rknn 모델 포맷을 사용하여 속도와 정확도를 측정하여 실행한 결과입니다.

요약#

이 가이드에서는 Rockchip 플랫폼에서의 배포를 향상하기 위해 Ultralytics YOLO26 모델을 RKNN 형식으로 내보내는 방법을 배웠습니다. 또한 RKNN 툴킷과 엣지 AI 애플리케이션에 RKNN 모델을 사용할 때의 구체적인 이점에 대해서도 알아보았습니다.

Ultralytics YOLO26과 Rockchip의 NPU 기술 조합은 임베디드 기기에서 고급 컴퓨터 비전 태스크를 실행하기 위한 효율적인 솔루션을 제공합니다. 이 접근 방식을 통해 최소한의 전력 소비와 고성능으로 실시간 객체 감지 및 기타 비전 AI 애플리케이션을 구현할 수 있습니다.

사용법에 대한 자세한 내용은 RKNN 공식 문서를 방문하세요.

또한 다른 Ultralytics YOLO26 통합에 대해 자세히 알아보려면 통합 가이드 페이지를 방문하세요. 유용한 리소스와 인사이트를 많이 찾으실 수 있습니다.

FAQ#