Link to this sectionGuia de Início Rápido: Seeed Studio reCamera com Ultralytics YOLO26#

A reCamera foi apresentada à comunidade de IA no YOLO Vision 2024 (YV24), evento híbrido anual da Ultralytics. Ela foi projetada principalmente para aplicações de edge AI, oferecendo capacidades de processamento poderosas e uma implementação descomplicada.

With support for diverse hardware configurations and open-source resources, it serves as an ideal platform for prototyping and deploying innovative computer vision solutions at the edge.

Link to this sectionPor que escolher a reCamera?#

A série reCamera foi desenvolvida especificamente para aplicações de edge AI, sob medida para atender às necessidades de desenvolvedores e inovadores. Veja por que ela se destaca:

• Desempenho com RISC-V: Em seu núcleo está o processador SG200X, construído na arquitetura RISC-V, proporcionando um desempenho excepcional para tarefas de edge AI enquanto mantém a eficiência energética. Com capacidade para executar 1 trilhão de operações por segundo (1 TOPS), ela lida facilmente com tarefas exigentes como detecção de objetos em tempo real.

• Tecnologias de Vídeo Otimizadas: Suporta padrões avançados de compressão de vídeo, incluindo H.264 e H.265, para reduzir requisitos de armazenamento e largura de banda sem sacrificar a qualidade. Recursos como imagem HDR, redução de ruído 3D e correção de lente garantem visuais profissionais, mesmo em ambientes desafiadores.

• Processamento Duplo com Eficiência Energética: Enquanto o SG200X lida com tarefas complexas de IA, um microcontrolador de 8 bits menor gerencia operações mais simples para economizar energia, tornando a reCamera ideal para configurações operadas por bateria ou de baixo consumo.

• Design Modular e Atualizável: A reCamera é construída com uma estrutura modular, consistindo em três componentes principais: a placa central, a placa do sensor e a placa base. Esse design permite que desenvolvedores troquem ou atualizem componentes facilmente, garantindo flexibilidade e longevidade para projetos em evolução.

Link to this sectionConfiguração Rápida de Hardware da reCamera#

Por favor, siga o Guia de Início Rápido da reCamera para o onboarding inicial do dispositivo, como conectar o aparelho a uma rede WiFi e acessar a interface web do Node-RED para uma visualização rápida dos resultados de detecção.

Link to this sectionInferência Usando Modelos Pré-instalados YOLO26#

A reCamera vem pré-instalada com quatro modelos Ultralytics YOLO26 e você pode simplesmente escolher o modelo desejado dentro do painel do Node-RED.

• Detecção (YOLO26n)
• Classificação (YOLO26n-cls)
• Segmentação (YOLO26n-seg)
• Estimativa de Pose (YOLO26n-pose)

Passo 1: Se você conectou a reCamera a uma rede, digite o endereço IP da reCamera em um navegador web para abrir o painel do Node-RED. Se você conectou a reCamera a um PC via USB, você pode digitar 192.168.42.1. Aqui você verá que o modelo de detecção YOLO26n é carregado por padrão.

Passo 2: Clique no círculo verde no canto inferior direito para acessar o editor de fluxo do Node-RED.

Passo 3: Clique no nó model e clique em On Device.

Passo 4: Escolha um dos quatro modelos YOLO26n pré-instalados diferentes e clique em Done. Por exemplo, aqui selecionaremos YOLO26n Pose.

Passo 5: Clique em Deploy e, quando terminar a implantação, clique em Dashboard.

Agora você poderá ver o modelo de estimativa de pose YOLO26n em ação!

Link to this sectionExportar para cvimodel: Convertendo seu Modelo YOLO26#

Se você deseja usar um modelo YOLO26 treinado de forma personalizada com a reCamera, siga os passos abaixo.

Aqui, primeiro converteremos um modelo PyTorch para ONNX e, em seguida, o converteremos para o formato de modelo MLIR. Por fim, o MLIR será convertido para cvimodel para executar a inferência no dispositivo.

Link to this sectionExportar para ONNX#

Exporte um modelo Ultralytics YOLO26 para o formato de modelo ONNX.

Link to this sectionInstalação#

Para instalar os pacotes necessários, execute:

pip install ultralytics

Para instruções detalhadas e melhores práticas relacionadas ao processo de instalação, confira nosso guia de Instalação da Ultralytics. Ao instalar os pacotes necessários para o YOLO26, se você encontrar alguma dificuldade, consulte nosso guia de Problemas Comuns para soluções e dicas.

Link to this sectionUso#

from ultralytics import YOLO

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

# Export the model to ONNX format
model.export(format="onnx", opset=14)  # creates 'yolo26n.onnx'

Para mais detalhes sobre o processo de exportação, visite a página de documentação da Ultralytics sobre exportação.

Link to this sectionExportar ONNX para MLIR e cvimodel#

Após obter um modelo ONNX, consulte a página Converter e Quantizar Modelos de IA para converter o modelo ONNX para MLIR e, em seguida, para cvimodel.

Link to this sectionBenchmarks#

Em breve.

Link to this sectionAplicações Reais da reCamera#

As capacidades avançadas de visão computacional e o design modular da reCamera a tornam adequada para uma ampla gama de cenários do mundo real, ajudando desenvolvedores e empresas a enfrentar desafios únicos com facilidade.

• Detecção de Quedas: Projetada para aplicações de segurança e saúde, a reCamera pode detectar quedas em tempo real, sendo ideal para cuidados com idosos, hospitais e ambientes industriais onde a resposta rápida é crítica.

• Detecção de Equipamento de Proteção Individual (EPI): A reCamera pode ser usada para garantir a segurança no local de trabalho ao detectar a conformidade com EPIs em tempo real. Ela ajuda a identificar se os trabalhadores estão usando capacetes, luvas ou outros equipamentos de segurança, reduzindo riscos em ambientes industriais.

• Detecção de Incêndio: As capacidades de processamento em tempo real da reCamera a tornam uma excelente escolha para a detecção de incêndio em áreas industriais e residenciais, fornecendo avisos precoces para prevenir desastres potenciais.

• Detecção de Resíduos: Também pode ser utilizada para aplicações de detecção de resíduos, tornando-a uma excelente ferramenta para monitoramento ambiental e gestão de resíduos.

• Detecção de Peças Automotivas: Nas indústrias de manufatura e automotiva, ela auxilia na detecção e análise de peças de carros para controle de qualidade, monitoramento de linhas de montagem e gestão de inventário.

Link to this sectionPerguntas Frequentes#

Link to this sectionComo instalo e configuro a reCamera pela primeira vez?#

Para configurar sua reCamera pela primeira vez, siga estes passos:

1. Conecte a reCamera a uma fonte de energia
2. Conecte-a à sua rede WiFi usando o Guia de Início Rápido da reCamera
3. Acesse a interface web do Node-RED digitando o endereço IP do dispositivo em um navegador web (ou use 192.168.42.1 se estiver conectado via USB)
4. Comece a usar os modelos YOLO26 pré-instalados imediatamente através da interface do painel

Link to this sectionPosso usar meus modelos YOLO26 treinados de forma personalizada com a reCamera?#

Sim, você pode usar modelos YOLO26 treinados de forma personalizada com a reCamera. O processo envolve:

1. Exportar seu modelo PyTorch para o formato ONNX usando model.export(format="onnx", opset=14)
2. Converter o modelo ONNX para o formato MLIR
3. Converter o MLIR para o formato cvimodel para inferência no dispositivo
4. Carregar o modelo convertido na sua reCamera

Para instruções detalhadas, consulte o guia Converter e Quantizar Modelos de IA.

Link to this sectionO que diferencia a reCamera das câmeras IP tradicionais?#

Ao contrário das câmeras IP tradicionais que requerem hardware externo para processamento, a reCamera:

• Integra processamento de IA diretamente no dispositivo com seu processador RISC-V SG200X
• Oferece 1 TOPS de poder computacional para aplicações de edge AI em tempo real
• Possui um design modular que permite atualizações de componentes e personalização
• Suporta tecnologias de vídeo avançadas como compressão H.264/H.265, imagem HDR e redução de ruído 3D
• Vem pré-instalada com modelos Ultralytics YOLO26 para uso imediato

Esses recursos tornam a reCamera uma solução independente para aplicações de edge AI sem a necessidade de hardware de processamento externo adicional.