Link to this sectionRockchip RKNN 모델을 위한 Ultralytics YOLO26 내보내기#
임베디드 장치, 특히 Rockchip 프로세서 기반 장치에 컴퓨터 비전 모델을 배포할 때는 호환 가능한 모델 형식을 갖추는 것이 필수적입니다. Ultralytics YOLO26 모델을 RKNN 형식으로 내보내면 Rockchip 하드웨어에 최적화된 성능과 호환성을 보장할 수 있습니다. 이 가이드에서는 부동 소수점 및 INT8 양자화 내보내기를 포함하여 YOLO26 모델을 RKNN 형식으로 변환하는 방법을 안내하며, 이를 통해 Rockchip 플랫폼에서 효율적인 배포가 가능해집니다.
본 가이드는 Rockchip RK3588 기반의 Radxa Rock 5B와 Rockchip RK3566 기반의 Radxa Zero 3W에서 테스트되었습니다. RK3576, RK3568, RK3562, RK2118, RV1126B, RV1103, RV1106, RV1103B 및 RV1106B와 같이 rknn-toolkit2를 지원하는 다른 Rockchip 기반 장치에서도 작동할 것으로 예상됩니다. RV1103 및 RV1106과 같은 INT8 전용 대상은 quantize=8이 필요합니다.
Link to this sectionRockchip이란 무엇입니까?#
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 신경망 처리 장치(NPU) 및 고해상도 멀티미디어 지원을 갖춘 Rockchip SoC는 태블릿, 스마트 TV, IoT 시스템 및 엣지 AI 애플리케이션과 같은 장치에 최첨단 성능을 제공합니다. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas 및 Banana Pi와 같은 기업들은 Rockchip SoC를 기반으로 한 다양한 제품을 제공하여 다양한 시장에서 영향력을 더욱 확대하고 있습니다.
Link to this sectionRKNN 툴킷#
RKNN Toolkit은 Rockchip이 자사 하드웨어 플랫폼에서 딥러닝 모델 배포를 원활하게 할 수 있도록 제공하는 도구 및 라이브러리 세트입니다. RKNN(Rockchip Neural Network)은 이러한 도구에서 사용하는 독자적인 형식입니다. RKNN 모델은 Rockchip의 NPU(신경망 처리 장치)가 제공하는 하드웨어 가속을 최대한 활용하도록 설계되어 RK3588, RK3566, RV1103, RV1106 및 기타 Rockchip 기반 시스템과 같은 장치에서 AI 작업의 고성능을 보장합니다.
Link to this sectionRKNN 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.
Link to this sectionRockchip 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.
Link to this sectionRKNN으로 내보내기: YOLO26 모델 변환#
Ultralytics YOLO26 모델을 RKNN 형식으로 내보내고 내보낸 모델로 추론을 실행합니다.
Rockchip 기반 장치(ARM64)에서의 내보내기는 지원되지 않으므로 반드시 X86 기반 Linux PC를 사용하여 모델을 RKNN으로 내보내십시오.
Link to this section설치#
필수 패키지를 설치하려면 다음을 실행하십시오:
# Install the required package for YOLO26
pip install ultralytics설치 과정과 관련된 자세한 지침 및 모범 사례는 Ultralytics 설치 가이드를 확인하십시오. YOLO26용 필수 패키지를 설치하는 동안 문제가 발생하면 일반 문제 가이드에서 해결책과 팁을 확인하십시오.
Link to this section사용법#
내보내기는 현재 감지(detection) 모델에 대해서만 지원됩니다. 향후 더 많은 모델 지원이 추가될 예정입니다.
RKNN 형식은 Export, Predict 및 Validate 모드를 지원합니다. 추론 및 검증은 Rockchip NPU 하드웨어에서 실행됩니다. 모델을 내보낸 후, 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증하십시오. 기본적으로 RKNN 내보내기는 FP16 지원 Rockchip 대상을 위해 부동 소수점 빌드 경로(quantize=16)를 사용합니다. 교정 데이터를 사용하여 INT8 양자화된 RKNN 모델을 빌드하려면 quantize=8을 사용하십시오. RKNN 내보내기는 별도의 FP32 모드를 제공하지 않으며, 기본값인 FP16은 FP32를 요청하지 않습니다.
from ultralytics import YOLO
# Load a YOLO26 model
model = YOLO("yolo26n.pt")
# Export the model to RKNN format
model.export(format="rknn", name="rk3588") # creates '/yolo26n_rknn_model'
# Export an INT8-quantized RKNN model with calibration data
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")from ultralytics import YOLO
# Load the exported RKNN model
model = YOLO("./yolo26n_rknn_model")
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")from ultralytics import YOLO
# Load the exported RKNN model
model = YOLO("./yolo26n_rknn_model")
# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")Link to this section내보내기 인수#
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
format | str | 'rknn' | 내보낸 모델의 대상 형식으로, Rockchip 배포 환경과의 호환성을 정의합니다. |
imgsz | int 또는 tuple | 640 | 모델 입력에 필요한 이미지 크기입니다. 정사각형 이미지의 경우 정수를 사용할 수 있으며, 특정 치수의 경우 (height, width) 튜플을 사용할 수 있습니다. |
batch | int | 1 | 내보낸 모델의 배치 추론 크기 또는 내보낸 모델이 predict 모드에서 동시에 처리할 최대 이미지 수를 지정합니다. |
name | str | 'rk3588' | Rockchip 대상을 지정합니다. rk3588, rk3576, rk3566, rk3568, rk3562, rk2118 및 rv1126b는 FP16(quantize=16 또는 미설정) 및 INT8(quantize=8)을 지원하며, rv1103, rv1106, rv1103b 및 rv1106b는 INT8만 지원합니다(quantize=8 또는 미설정). |
quantize | int 또는 str | None | 양자화 정밀도: 미설정 또는 16은 FP16 지원 대상에 대해 FP16을 빌드합니다. 미설정 시 INT8 전용 대상에 대해 자동으로 INT8을 활성화합니다. 8은 INT8을 빌드합니다. RKNN 내보내기에는 별도의 FP32 모드가 없습니다. 이는 더 이상 사용되지 않는 half/int8 플래그를 대체합니다. |
data | str | None | INT8 보정에 사용되는 데이터셋 YAML입니다. quantize=8과 함께 생략하면 Ultralytics는 모델 작업에 대한 기본 보정 데이터셋을 선택합니다. |
fraction | float | 1.0 | INT8 양자화에 사용할 보정 이미지의 비율입니다. |
device | str | None | 내보내기 장치를 지정합니다: GPU(device=0), CPU(device=cpu). |
RKNN으로 내보낼 때는 반드시 x86 Linux 머신을 사용해 주십시오.
내보내기 프로세스에 대한 자세한 내용은 내보내기에 대한 Ultralytics 문서 페이지를 참조하십시오.
Link to this section내보낸 YOLO26 RKNN 모델 배포하기#
Ultralytics YOLO26 모델을 RKNN 형식으로 성공적으로 내보낸 후 다음 단계는 Rockchip 기반 장치에 이러한 모델을 배포하는 것입니다.
Link to this section설치#
필수 패키지를 설치하려면 다음을 실행하십시오:
# Install the required package for YOLO26
pip install ultralytics설치가 완료되면 위 사용법 섹션에 표시된 대로 정확히 Rockchip 장치에서 추론과 검증을 실행하십시오. 내보낸 _rknn_model은 YOLO(...)로 직접 로드됩니다.
RKNN 런타임 버전이 RKNN Toolkit 버전과 일치하지 않아 추론이 실패한다는 로그 메시지가 표시되면, /usr/lib/librknnrt.so를 공식 librknnrt.so 파일으로 교체하십시오.
Link to this section실제 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.
Link to this section벤치마크#
아래의 YOLO26 벤치마크는 Ultralytics 팀이 Rockchip RK3588 기반의 Radxa Rock 5B에서 rknn 모델 형식을 사용하여 속도와 정확도를 측정한 결과입니다.
| 모델 | 형식 | 상태 | 크기(MB) | mAP50-95(B) | 추론 시간(ms/im) |
|---|---|---|---|---|---|
| YOLO26n | rknn | ✅ | 7.1 | 0.479 | 65.7 |
| YOLO26s | rknn | ✅ | 20.9 | 0.571 | 99.2 |
| YOLO26m | rknn | ✅ | 42.5 | 0.610 | 235.3 |
| YOLO26l | rknn | ✅ | 52.1 | 0.630 | 280.5 |
| YOLO26x | rknn | ✅ | 112.2 | 0.666 | 669.1 |
ultralytics 8.4.23으로 벤치마킹
위 벤치마크 검증은 COCO128 데이터셋을 사용하여 수행되었습니다. 추론 시간은 전처리/후처리를 포함하지 않습니다.
Link to this section요약#
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 기술을 결합하면 임베디드 장치에서 고급 컴퓨터 비전 작업을 실행하기 위한 효율적인 솔루션을 얻을 수 있습니다. 이 접근 방식을 사용하면 최소한의 전력 소비로 높은 성능을 내면서 실시간 객체 감지 및 기타 비전 AI 애플리케이션을 구현할 수 있습니다.
사용법에 대한 자세한 내용은 RKNN 공식 문서를 방문하십시오.
또한 다른 Ultralytics YOLO26 통합에 대해 자세히 알고 싶다면 통합 가이드 페이지를 방문하십시오. 그곳에서 유용한 리소스와 통찰력을 많이 얻으실 수 있습니다.
Link to this sectionFAQ#
Link to this sectionUltralytics YOLO 모델을 RKNN 형식으로 내보내려면 어떻게 해야 합니까?#
Ultralytics Python 패키지의 export() 메서드나 명령줄 인터페이스(CLI)를 사용하여 Ultralytics YOLO 모델을 RKNN 형식으로 쉽게 내보낼 수 있습니다. Rockchip과 같은 ARM64 장치는 이 작업이 지원되지 않으므로 내보내기 과정에는 반드시 x86 기반 Linux PC를 사용하십시오. name 인수를 사용하여 rk3588, rk3566 등과 같은 대상 Rockchip 플랫폼을 지정할 수 있습니다. 이 프로세스는 Rockchip 장치에서 가속 추론을 위해 신경망 처리 장치(NPU)를 활용할 준비가 된 최적화된 RKNN 모델을 생성합니다.
from ultralytics import YOLO
# Load your YOLO model
model = YOLO("yolo26n.pt")
# Export to RKNN format for a specific Rockchip platform
model.export(format="rknn", name="rk3588")Link to this sectionRockchip 장치에서 RKNN 모델을 사용할 때의 이점은 무엇입니까?#
RKNN 모델은 Rockchip 신경망 처리 장치(NPU)의 하드웨어 가속 기능을 활용하도록 특별히 설계되었습니다. 이러한 최적화를 통해 동일한 하드웨어에서 ONNX나 TensorFlow Lite와 같은 일반 모델 형식을 실행하는 것보다 훨씬 빠른 추론 속도와 줄어든 지연 시간을 얻을 수 있습니다. RKNN 모델을 사용하면 장치의 리소스를 보다 효율적으로 사용할 수 있어 전력 소비가 낮아지고 전반적인 성능이 향상되며, 이는 엣지 장치의 실시간 애플리케이션에 특히 중요합니다. Ultralytics YOLO 모델을 RKNN으로 변환하면 RK3588, RK3566 등 Rockchip SoC 기반 장치에서 최적의 성능을 달성할 수 있습니다.
Link to this sectionNVIDIA나 Google과 같은 다른 제조사의 장치에 RKNN 모델을 배포할 수 있습니까?#
RKNN 모델은 Rockchip 플랫폼 및 해당 플랫폼의 통합 NPU에 최적화되어 있습니다. 기술적으로는 소프트웨어 에뮬레이션을 사용하여 다른 플랫폼에서도 RKNN 모델을 실행할 수 있지만, Rockchip 장치가 제공하는 하드웨어 가속의 이점을 얻을 수는 없습니다. 다른 플랫폼에서 최상의 성능을 얻으려면 NVIDIA GPU용 TensorRT 또는 Google의 Edge TPU용 TensorFlow Lite와 같이 해당 플랫폼에 맞게 설계된 형식으로 Ultralytics YOLO 모델을 내보내는 것이 좋습니다. Ultralytics는 다양한 하드웨어 가속기와의 호환성을 보장하기 위해 폭넓은 형식으로의 내보내기를 지원합니다.
Link to this sectionRKNN 모델 배포를 위해 지원되는 Rockchip 플랫폼은 무엇입니까?#
RKNN 형식으로의 Ultralytics YOLO 내보내기는 RK3588, RK3576, RK3566, RK3568, RK3562, RK2118 및 RV1126B를 포함한 부동 소수점 RKNN 빌드를 사용하는 Rockchip 플랫폼을 지원합니다. 또한 RV1103, RV1106, RV1103B 및 RV1106B와 같이 INT8 전용 대상에 필수적인 quantize=8을 사용한 INT8 양자화 RKNN 내보내기도 지원합니다. 이러한 플랫폼은 Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas, Banana Pi와 같은 제조사의 장치에서 흔히 볼 수 있으며, 싱글 보드 컴퓨터부터 산업용 시스템에 이르기까지 다양한 Rockchip 기반 장치에 최적화된 RKNN 모델을 배포할 수 있도록 합니다.
Link to this sectionRockchip 장치에서 RKNN 모델의 성능은 다른 형식과 비교하여 어떻습니까?#
RKNN 모델은 Rockchip NPU에 최적화되어 있으므로 일반적으로 Rockchip 장치에서 ONNX나 TensorFlow Lite와 같은 다른 형식보다 뛰어난 성능을 보입니다. 예를 들어, Radxa Rock 5B(RK3588)에서의 벤치마크를 보면 RKNN 형식의 YOLO26n이 이미지당 65.7ms의 추론 시간을 달성하여 다른 형식보다 훨씬 빠릅니다. 이러한 성능 우위는 벤치마크 섹션에서 보여준 바와 같이 다양한 YOLO26 모델 크기 전반에서 일관되게 나타납니다. 전용 NPU 하드웨어를 활용함으로써 RKNN 모델은 지연 시간을 최소화하고 처리량을 극대화하여 Rockchip 기반 엣지 장치의 실시간 애플리케이션에 이상적입니다.