Ultralytics YOLO26 모델을 위한 Rockchip RKNN 내보내기#

임베디드 디바이스, 특히 Rockchip 프로세서 기반 디바이스에 컴퓨터 비전 모델을 배포할 때는 호환되는 모델 형식이 필수적입니다. Ultralytics YOLO26 모델을 RKNN 형식으로 내보내면 Rockchip 하드웨어에 최적화된 성능과 호환성을 확보할 수 있습니다. 이 가이드에서는 부동 소수점 및 INT8 양자화 내보내기를 포함해 YOLO26 모델을 RKNN 형식으로 변환하는 방법을 안내하여 Rockchip 플랫폼에 효율적으로 배포할 수 있도록 합니다.

Rockchip이란 무엇인가요?#

다재다능하고 전력 효율적인 솔루션을 제공하는 것으로 잘 알려진 Rockchip은 다양한 소비자 가전, 산업용 애플리케이션 및 AI 기술을 구동하는 고급 시스템 온 칩(SoCs)을 설계합니다. ARM 기반 아키텍처, 내장 신경망 처리 장치(NPUs), 고해상도 멀티미디어 지원을 갖춘 Rockchip SoCs는 태블릿, 스마트 TV, IoT 시스템 및 엣지 AI 애플리케이션과 같은 기기에서 최첨단 성능을 구현합니다. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas, Banana Pi와 같은 기업은 Rockchip SoCs 기반의 다양한 제품을 제공하여 여러 시장에서 영향력과 활용 범위를 더욱 넓히고 있습니다.

RKNN Toolkit#

RKNN Toolkit은 Rockchip이 하드웨어 플랫폼에서 딥러닝 모델을 배포할 수 있도록 제공하는 도구 및 라이브러리 모음입니다. RKNN은 Rockchip Neural Network의 약자로, 이러한 도구에서 사용하는 독점 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 기기에서 AI 작업의 고성능을 보장합니다.

RKNN 모델의 주요 기능#

RKNN 모델은 Rockchip 플랫폼에 배포할 때 다음과 같은 여러 이점을 제공합니다.

• NPU에 최적화: RKNN 모델은 Rockchip의 NPU에서 실행되도록 특별히 최적화되어 성능과 효율성을 극대화합니다.
• 낮은 지연 시간: RKNN 형식은 추론 지연 시간을 최소화하며, 이는 엣지 디바이스의 실시간 애플리케이션에 매우 중요합니다.
• 플랫폼별 맞춤화: RKNN 모델은 특정 Rockchip 플랫폼에 맞게 조정할 수 있어 하드웨어 리소스를 더욱 효과적으로 활용할 수 있습니다.
• 전력 효율성: 전용 NPU 하드웨어를 활용하는 RKNN 모델은 CPU 또는 GPU 기반 처리보다 전력 소모가 적어 휴대용 기기의 배터리 수명을 연장합니다.

Rockchip 하드웨어에 OS 플래시하기#

Rockchip 기반 기기를 확보한 후 가장 먼저 할 일은 하드웨어가 정상적인 환경으로 부팅될 수 있도록 OS를 플래시하는 것입니다. 이 가이드에서는 테스트한 두 기기인 Radxa Rock 5B와 Radxa Zero 3W의 시작 가이드를 안내합니다.

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

지원 작업#

RKNN 내보내기는 Ultralytics의 7가지 작업을 모두 지원합니다. 시맨틱 세그멘테이션과 깊이 추정은 해당 헤드를 탑재한 유일한 제품군인 YOLO26에서만 사용할 수 있습니다.

RKNN으로 내보내기: YOLO26 모델 변환#

Ultralytics YOLO26 모델을 RKNN 형식으로 내보내고 내보낸 모델로 추론을 실행합니다.

설치#

필수 패키지를 설치하려면 다음을 실행하세요:

# Install the required package for YOLO26
pip install ultralytics

설치 절차에 대한 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 참조하세요. YOLO26에 필요한 패키지를 설치하는 중 문제가 발생하면 해결 방법과 팁을 확인할 수 있는 일반적인 문제 가이드를 참조하세요.

사용법#

RKNN 형식은 내보내기, 예측, 검증 모드를 지원합니다. 추론과 검증은 Rockchip NPU 하드웨어에서 실행됩니다. 모델을 내보낸 다음, 내보낸 모델을 불러와 추론을 실행하거나 정확도를 검증합니다. 기본적으로 RKNN 내보내기는 FP16을 지원하는 Rockchip 타깃에서 부동소수점 빌드 경로(quantize=16)를 사용합니다. 보정 데이터를 사용하여 INT8 양자화 RKNN 모델을 빌드하려면 quantize=8를 사용합니다. RKNN 내보내기는 별도의 FP32 모드를 제공하지 않으며, 기본 FP16 설정은 FP32를 요청하지 않습니다.

from ultralytics import YOLO

# YOLO26 모델을 불러옵니다(지원되는 작업 모델로 바꾸세요).
model = YOLO("yolo26n-obb.pt")

# 모델을 RKNN 형식으로 내보냅니다.
model.export(format="rknn", name="rk3588")  # creates 'yolo26n-obb_rknn_model'

# 보정 데이터를 사용하여 INT8 양자화 RKNN 모델을 내보냅니다(탐지 모델만 해당).
model = YOLO("yolo26n.pt")
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")  # creates 'yolo26n_rknn_model'

from ultralytics import YOLO

# 내보낸 RKNN 모델을 불러옵니다.
model = YOLO("./yolo26n-obb_rknn_model")

# 추론 실행
results = model("https://ultralytics.com/images/boats.jpg")

from ultralytics import YOLO

# 내보낸 RKNN 모델을 불러옵니다.
model = YOLO("./yolo26n-obb_rknn_model")

# DOTA8 데이터셋에서 정확도를 검증합니다.
metrics = model.val(data="dota8.yaml")

내보내기 인수#

내보내기 프로세스에 관한 자세한 내용은 내보내기에 관한 Ultralytics 문서 페이지를 참조하세요.

내보낸 YOLO26 RKNN 모델 배포#

Ultralytics YOLO26 모델을 RKNN 형식으로 성공적으로 내보냈다면, 다음 단계는 Rockchip 기반 기기에 모델을 배포하는 것입니다.

설치#

필수 패키지를 설치하려면 다음을 실행하세요:

# Install the required package for YOLO26
pip install ultralytics

설치가 완료되면 위의 사용법 섹션에 나온 대로 Rockchip 기기에서 추론과 검증을 실행합니다. 내보낸 _rknn_model은 YOLO(...)로 바로 불러올 수 있습니다.

실제 애플리케이션#

YOLO26 RKNN 모델을 탑재한 Rockchip 기반 기기는 다음과 같은 다양한 애플리케이션에 사용할 수 있습니다.

• 스마트 감시: 전력 소모가 적은 효율적인 객체 탐지 시스템을 구축하여 보안 모니터링에 활용합니다.
• 산업 자동화: 임베디드 기기에서 품질 관리와 결함 탐지를 직접 구현합니다.
• 리테일 분석: 클라우드에 의존하지 않고 고객 행동과 재고를 실시간으로 추적합니다.
• 스마트 농업: 농업 분야의 컴퓨터 비전을 사용하여 작물 상태를 모니터링하고 해충을 탐지합니다.
• 자율 로봇: 리소스가 제한된 플랫폼에서 비전 기반 내비게이션과 장애물 탐지를 구현합니다.

벤치마크#

아래 YOLO26 벤치마크는 Ultralytics 팀이 Rockchip RK3588 기반 Radxa Rock 5B에서 rknn 모델 형식을 사용하여 속도와 정확도를 측정한 결과입니다.

요약#

이 가이드에서는 Rockchip 플랫폼에 더 효과적으로 배포하기 위해 Ultralytics YOLO26 모델을 RKNN 형식으로 내보내는 방법을 살펴보았습니다. 또한 RKNN Toolkit과 엣지 AI 애플리케이션에 RKNN 모델을 사용할 때의 구체적인 이점도 알아보았습니다.

Ultralytics YOLO26과 Rockchip의 NPU 기술을 결합하면 임베디드 기기에서 고급 컴퓨터 비전 작업을 효율적으로 실행할 수 있습니다. 이 방식은 전력 소모를 최소화하고 높은 성능을 유지하면서 실시간 객체 탐지 및 기타 비전 AI 애플리케이션을 구현합니다.

사용법에 대한 자세한 내용은 RKNN 공식 문서를 참조하세요.

다른 Ultralytics YOLO26 통합 옵션에 대해 알아보려면 통합 가이드 페이지를 방문하세요. 이 페이지에서 유용한 자료와 인사이트를 확인할 수 있습니다.

자주 묻는 질문#