Ultralytics YOLO11 모델용 RKNN 내보내기

임베디드 디바이스, 특히 Rockchip 프로세서 기반 디바이스에 컴퓨터 비전 모델을 배포할 때는 호환 가능한 모델 포맷이 필수적입니다. 내보내기 Ultralytics YOLO11 모델을 RKNN 형식으로 내보내면 최적화된 성능과 Rockchip 하드웨어와의 호환성을 보장할 수 있습니다. 이 가이드에서는 YOLO11 모델을 RKNN 형식으로 변환하는 방법을 안내하여 Rockchip 플랫폼에 효율적으로 배포할 수 있도록 합니다.

락칩이란 무엇인가요?

다재다능하고 전력 효율적인 솔루션을 제공하는 것으로 유명한 Rockchip은 다양한 소비자 가전, 산업용 애플리케이션 및 AI 기술을 구동하는 고급 시스템 온 칩(SoC)을 설계합니다. ARM 기반 아키텍처, 내장형 신경 처리 장치(NPU), 고해상도 멀티미디어 지원을 갖춘 Rockchip SoC는 태블릿, 스마트 TV, IoT 시스템, 최첨단 AI 애플리케이션과 같은 장치에 최첨단 성능을 구현합니다. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas, Banana Pi와 같은 회사는 Rockchip SoC를 기반으로 다양한 제품을 제공하여 다양한 시장에서 영향력을 확대하고 있습니다.

RKNN 툴킷

RKNN 툴킷은 하드웨어 플랫폼에 딥러닝 모델을 쉽게 배포할 수 있도록 Rockchip에서 제공하는 도구 및 라이브러리 세트입니다. RKNN(Rockchip Neural Network)은 이러한 도구에서 사용하는 독점 형식입니다. RKNN 모델은 Rockchip의 NPU(신경 처리 장치)가 제공하는 하드웨어 가속을 최대한 활용하도록 설계되어 RK3588, RK3566, RV1103, RV1106 및 기타 Rockchip 기반 시스템에서 AI 작업에서 높은 성능을 보장합니다.

RKNN 모델의 주요 기능

RKNN 모델은 Rockchip 플랫폼에 배포할 때 몇 가지 이점을 제공합니다:

• NPU에 최적화: RKNN 모델은 Rockchip의 NPU에서 실행되도록 특별히 최적화되어 성능과 효율성을 극대화합니다.
• 짧은 지연 시간: RKNN 형식은 추론 지연 시간을 최소화하며, 이는 엣지 디바이스의 실시간 애플리케이션에 매우 중요합니다.
• 플랫폼별 커스터마이징: RKNN 모델은 특정 Rockchip 플랫폼에 맞게 조정할 수 있으므로 하드웨어 리소스를 더 잘 활용할 수 있습니다.

플래시 OS에서 Rockchip 하드웨어로

Rockchip 기반 디바이스를 손에 넣은 후 첫 번째 단계는 하드웨어가 작동 환경으로 부팅될 수 있도록 OS를 플래시하는 것입니다. 이 가이드에서는 테스트한 두 가지 디바이스인 Radxa Rock 5B와 Radxa Zero 3W의 시작 가이드를 소개합니다.

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

RKNN으로 내보내기: YOLO11 모델 변환하기

Ultralytics YOLO11 모델을 RKNN 형식으로 내보내고 내보낸 모델로 추론을 실행합니다.

설치

필요한 패키지를 설치하려면 실행합니다:

# Install the required package for YOLO11
pip install ultralytics

설치 과정과 관련된 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 참조하세요. YOLO11 에 필요한 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드를 참조하여 해결 방법과 팁을 확인하세요.

사용법

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'

내보내기 프로세스에 대한 자세한 내용은 내보내기 관련 문서 페이지(Ultralytics )를 참조하세요.

내보낸 YOLO11 RKNN 모델 배포하기

Ultralytics YOLO11 모델을 RKNN 형식으로 성공적으로 내보냈다면 다음 단계는 이러한 모델을 Rockchip 기반 디바이스에 배포하는 것입니다.

설치

필요한 패키지를 설치하려면 실행합니다:

# Install the required package for YOLO11
pip install ultralytics

사용법

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'

벤치마크

YOLO11 아래 벤치마크는 Ultralytics 팀이 Rockchip RK3588을 기반으로 Radxa Rock 5B에서 실행한 것입니다. rknn 속도와 정확도를 측정하는 모델 형식입니다.

요약

이 가이드에서는 Ultralytics YOLO11 모델을 RKNN 형식으로 내보내서 Rockchip 플랫폼에서 배포를 향상시키는 방법을 배웠습니다. 또한 RKNN 툴킷과 엣지 AI 애플리케이션에 RKNN 모델을 사용할 때의 구체적인 장점에 대해서도 소개했습니다.

사용법에 대한 자세한 내용은 RKNN 공식 문서를 참조하세요.

또한 Ultralytics YOLO11 통합에 대해 더 자세히 알고 싶다면 통합 가이드 페이지를 방문하세요. 유용한 리소스와 인사이트를 많이 찾을 수 있습니다.

📅 생성 0 일 전 ✏️ 업데이트 0일 전

댓글