Link to this sectionExportação e implantação da Axelera AI#

A Ultralytics faz parceria com a Axelera AI para permitir inferência de alto desempenho e eficiência energética em dispositivos de Edge AI. Exporte e implante modelos YOLO da Ultralytics diretamente no Metis® AIPU usando o Voyager SDK.

A Axelera AI fornece aceleração de hardware dedicada para visão computacional na borda, usando uma arquitetura de fluxo de dados proprietária e computação em memória para entregar até 856 TOPS com baixo consumo de energia.

Link to this sectionSelecionando o hardware certo#

A Axelera AI oferece vários formatos para atender a diferentes restrições de implantação. O gráfico abaixo ajuda a identificar o hardware ideal para sua implantação do Ultralytics YOLO.

graph TD
    A[Start: Select Deployment Target]:::start --> B{Device Type?}:::decide
    B -->|Edge Server / Workstation| C{Throughput Needs?}:::decide
    B -->|Embedded / Robotics| D{Space Constraints?}:::decide
    B -->|Standalone / R&D| E[Dev Kits & Systems]:::proc

    C -->|Max Density <br> 30+ Streams| F[**Metis PCIe x4**<br>856 TOPS]:::out
    C -->|Standard PC <br> Low Profile| G[**Metis PCIe x1**<br>214 TOPS]:::out

    D -->|Drones & Handhelds| H[**Metis M.2**<br>2280 M-Key]:::out
    D -->|High Performance Embedded| I[**Metis M.2 MAX**<br>Extended Thermal]:::out

    E -->|ARM-based All-in-One| J[**Metis Compute Board**<br>RK3588 + AIPU]:::out
    E -->|Prototyping| K[**Arduino Portenta x8**<br>Integration Kit]:::out

    click F "https://store.axelera.ai/"
    click G "https://store.axelera.ai/"
    click H "https://store.axelera.ai/"
    click J "https://store.axelera.ai/"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Link to this sectionPortfólio de hardware#

A linha de hardware Axelera está otimizada para executar Ultralytics YOLO26 e versões anteriores com alta eficiência de FPS por watt.

Link to this sectionPlacas aceleradoras#

Essas placas permitem a aceleração de IA em dispositivos host existentes, facilitando implantações em infraestruturas legadas.

Link to this sectionSistemas integrados#

Para soluções completas, a Axelera faz parceria com fabricantes para fornecer sistemas pré-validados para o Metis AIPU.

• Placa de Computação Metis: Um dispositivo de borda autônomo que combina o Metis AIPU com um processador ARM Rockchip RK3588.
• Workstations: Torres corporativas da Dell (Precision 3460XE) e Lenovo (ThinkStation P360 Ultra).
• PCs Industriais: Sistemas robustos da Advantech e Aetina projetados para automação de fabricação.

Link to this sectionTarefas Suportadas#

As seguintes tarefas são suportadas nos modelos YOLOv8, YOLO11 e YOLO26.

Link to this sectionInstalação#

Link to this sectionInstalação do Ultralytics#

pip install ultralytics

Para instruções detalhadas, consulte nosso guia de instalação do Ultralytics. Se encontrar dificuldades, consulte nosso guia de problemas comuns.

Link to this sectionInstalação do driver Axelera#

1. Adicione a chave do repositório Axelera:

   sudo sh -c "curl -fsSL https://software.axelera.ai/artifactory/api/security/keypair/axelera/public | gpg --dearmor -o /etc/apt/keyrings/axelera.gpg"

2. Adicione o repositório ao apt:

   Escolha o trecho apropriado abaixo para corresponder ao SO que você está usando.

   # Ubuntu 22.04
   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu22 main' > /etc/apt/sources.list.d/axelera.list"

   # Ubuntu 24.04
   sudo sh -c "echo 'deb [signed-by=/etc/apt/keyrings/axelera.gpg] https://software.axelera.ai/artifactory/axelera-apt-source ubuntu24 main' > /etc/apt/sources.list.d/axelera.list"

3. Instale o SDK e carregue o driver:

   sudo apt update
   sudo apt install -y metis-dkms=1.5.5
   sudo modprobe metis

pip install axelera-devkit==1.7.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple
pip install axelera-rt==1.7.0 --extra-index-url https://software.axelera.ai/artifactory/api/pypi/axelera-pypi/simple

Link to this sectionExportando modelos YOLO para Axelera#

O formato Axelera suporta os modos Exportar, Prever e Validar. A inferência e a validação são executadas no hardware Axelera Metis AIPU. Exporte seu modelo, então carregue o modelo exportado para executar a inferência ou validar sua precisão.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to Axelera format
model.export(format="axelera")  # creates 'yolo26n_axelera_model'

from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported Axelera model
model = YOLO("yolo26n_axelera_model")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionArgumentos de Exportação#

Para todas as opções de exportação, consulte a documentação do Modo Exportar.

Link to this sectionEstrutura de Saída#

yolo26n_axelera_model/
├── yolo26n.axm                  # Axelera model file
├── compiler_config_final.toml  # Compiler configuration used for the build
└── metadata.yaml               # Model metadata (classes, image size, etc.)

Link to this sectionBenchmarks da Axelera AI#

O Metis AIPU maximiza a taxa de transferência enquanto minimiza o consumo de energia.

Benchmarks baseados em dados da Axelera AI. O FPS real depende do tamanho do modelo, do lote e da resolução da entrada.

Link to this sectionAplicações do Mundo Real#

O Ultralytics YOLO no hardware Axelera permite soluções avançadas de computação de borda:

• Varejo Inteligente: Contagem de objetos em tempo real e análise de mapas de calor para otimização de lojas.
• Segurança Industrial: Detecção de EPI de baixa latência em ambientes de fabricação.
• Análise por Drones: Detecção de objetos de alta velocidade em VANTs para agricultura e busca e salvamento.
• Sistemas de Tráfego: Reconhecimento de placas de veículos baseado em borda e estimativa de velocidade.

Link to this sectionFluxo de Trabalho Recomendado#

1. Treine seu modelo usando o Modo de Treino do Ultralytics
2. Exporte para o formato Axelera usando model.export(format="axelera")
3. Valide a precisão com yolo val para verificar a perda mínima de quantização
4. Preveja usando yolo predict para validação qualitativa
5. Implante em um pipeline de ponta a ponta de alto desempenho sem dependência de PyTorch — veja os exemplos de YOLO no Voyager SDK para pipelines Python combináveis usando axelera-rt

Link to this sectionVerificação de integridade do dispositivo#

Verifique se seu dispositivo Axelera está funcionando corretamente:

# if axdevice cannot be found, please run at least one inference (see above) to ensure the required packages are installed
axdevice

Para diagnósticos detalhados, consulta a documentação do AxDevice.

Link to this sectionDesempenho Máximo#

Esta integração usa a configuração de núcleo único para compatibilidade. Para produção que exija o máximo de rendimento, o Axelera Voyager SDK oferece:

• Utilização multi-core (Metis AIPU quad-core)
• Pipelines de inferência em streaming
• Inferência por blocos (tiled) para câmeras de alta resolução

Consulta o model-zoo para obter benchmarks de FPS ou contacta a Axelera para suporte de produção.

Link to this sectionProblemas conhecidos#

Para suporte, visita a Axelera Community.

Link to this sectionFAQ#

Link to this sectionQue versões do YOLO são suportadas na Axelera?#

O Voyager SDK suporta a exportação de modelos YOLOv8, YOLO11 e YOLO26. Consulte Tarefas Suportadas para a disponibilidade de tarefas por modelo.

Link to this sectionPosso implementar modelos treinados de forma personalizada?#

Sim. Qualquer modelo treinado usando o Modo de Treinamento Ultralytics pode ser exportado para o formato Axelera, desde que utilize camadas e operações suportadas.

Link to this sectionComo é que a quantização INT8 afeta a precisão?#

O Voyager SDK da Axelera quantiza automaticamente os modelos para a arquitetura AIPU de precisão mista. Para a maioria das tarefas de detecção de objetos, os ganhos de desempenho (maior FPS, menor consumo de energia) superam significativamente o impacto mínimo no mAP. A quantização leva de segundos a várias horas, dependendo do tamanho do modelo. Execute yolo val após a exportação para verificar a precisão.

Link to this sectionQuantas imagens de calibração devo usar?#

Recomendamos de 100 a 400 imagens. Mais de 400 não oferece benefícios adicionais e aumenta o tempo de quantização. Experimenta com 100, 200 e 400 imagens para encontrar o equilíbrio ideal.

Link to this sectionOnde posso encontrar o Voyager SDK?#

O SDK, os drivers e as ferramentas de compilação estão disponíveis através do Axelera Developer Portal.