Ultralytics YOLO11 на NVIDIA Jetson с использованием DeepStream SDK и TensorRT

Смотреть: Как использовать модели Ultralytics YOLO11 с NVIDIA Deepstream на Jetson Orin NX 🚀

Это подробное руководство содержит детальное описание развертывания Ultralytics YOLO11 на устройствах NVIDIA Jetson с использованием DeepStream SDK и TensorRT. Здесь мы используем TensorRT, чтобы максимально повысить производительность логического вывода на платформе Jetson.

Что такое NVIDIA DeepStream?

DeepStream SDK от NVIDIA — это полный набор инструментов для потоковой аналитики на основе GStreamer для многосенсорной обработки на основе AI, понимания видео, аудио и изображений. Он идеально подходит для разработчиков vision AI, партнеров по программному обеспечению, стартапов и OEM-производителей, создающих приложения и сервисы IVA (Intelligent Video Analytics). Теперь вы можете создавать конвейеры обработки потоков, которые включают нейронные сети и другие сложные задачи обработки, такие как отслеживание, кодирование/декодирование видео и рендеринг видео. Эти конвейеры обеспечивают аналитику в реальном времени для видео, изображений и данных с датчиков. Многоплатформенная поддержка DeepStream предоставляет вам более быстрый и простой способ разработки приложений и сервисов vision AI локально, на периферии и в облаке.

Предварительные требования

Прежде чем вы начнете следовать этому руководству:

• Посетите нашу документацию, Краткое руководство по началу работы: NVIDIA Jetson с Ultralytics YOLO11, чтобы настроить ваше устройство NVIDIA Jetson с помощью Ultralytics YOLO11
• Установите DeepStream SDK в соответствии с версией JetPack
  • Для JetPack 4.6.4 установите DeepStream 6.0.1
  • Для JetPack 5.1.3 установите DeepStream 6.3
  • Для JetPack 6.1 установите DeepStream 7.1

Конфигурация DeepStream для YOLO11

Здесь мы используем репозиторий GitHub marcoslucianops/DeepStream-Yolo, который включает поддержку NVIDIA DeepStream SDK для моделей YOLO. Мы ценим усилия marcoslucianops за его вклад!

1. Установите Ultralytics с необходимыми зависимостями

   cd ~
   pip install -U pip
   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   pip install -e ".[export]" onnxslim
   

2. Клонируйте репозиторий DeepStream-Yolo

   cd ~
   git clone https://github.com/marcoslucianops/DeepStream-Yolo
   

3. Скопировать export_yolo11.py файл из DeepStream-Yolo/utils каталог к ultralytics папка

   cp ~/DeepStream-Yolo/utils/export_yolo11.py ~/ultralytics
   cd ultralytics
   

4. Загрузите выбранную вами модель обнаружения Ultralytics YOLO11 (.pt) из релизов YOLO11. Здесь мы используем yolo11s.pt.

   wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11s.pt
   

   Примечание

   Вы также можете использовать пользовательскую обученную модель YOLO11.

5. Преобразовать модель в ONNX

   python3 export_yolo11.py -w yolo11s.pt
   

   Передайте указанные ниже аргументы в вышеуказанную команду

   Для DeepStream 5.1 удалите --dynamic arg и use opset 12 или ниже. По умолчанию opset равно 17.

   --opset 12
   

   Чтобы изменить размер логического вывода (по умолчанию: 640)

   -s SIZE
   --size SIZE
   -s HEIGHT WIDTH
   --size HEIGHT WIDTH
   

   Пример для 1280:

   -s 1280
   or
   -s 1280 1280
   

   Чтобы упростить модель ONNX (DeepStream >= 6.0)

   --simplify
   

   Чтобы использовать динамический размер пакета (DeepStream >= 6.1)

   --dynamic
   

   Чтобы использовать статический размер пакета (пример для размера пакета = 4)

   --batch 4
   

6. Скопировать сгенерированный .onnx файл модели и labels.txt файл в DeepStream-Yolo папка

   cp yolo11s.pt.onnx labels.txt ~/DeepStream-Yolo
   cd ~/DeepStream-Yolo
   

7. Установите версию CUDA в соответствии с установленной версией JetPack

   Для JetPack 4.6.4:

   export CUDA_VER=10.2
   

   Для JetPack 5.1.3:

   export CUDA_VER=11.4
   

   Для Jetpack 6.1:

   export CUDA_VER=12.6
   

8. Скомпилируйте библиотеку

   make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo
   

9. Редактировать config_infer_primary_yolo11.txt файл в соответствии с вашей моделью (для YOLO11 с 80 классами)

   [property]
   ...
   onnx-file=yolo11s.pt.onnx
   ...
   num-detected-classes=80
   ...
   

10. Редактировать deepstream_app_config файла

    ...
    [primary-gie]
    ...
    config-file=config_infer_primary_yolo11.txt
    

11. Вы также можете изменить источник видео в deepstream_app_config файле. Здесь загружается видеофайл по умолчанию

    ...
    [source0]
    ...
    uri=file:///opt/nvidia/deepstream/deepstream/samples/streams/sample_1080p_h264.mp4
    

Запуск Inference

deepstream-app -c deepstream_app_config.txt

Калибровка INT8

Если вы хотите использовать точность INT8 для инференса, вам необходимо выполнить следующие действия.

1. Установить OPENCV переменная окружения

   export OPENCV=1
   

2. Скомпилируйте библиотеку

   make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo
   

3. Для набора данных COCO скачайте val2017, извлеките и переместите в DeepStream-Yolo папка

4. Создайте новый каталог для калибровочных изображений

   mkdir calibration
   

5. Выполните следующую команду, чтобы выбрать 1000 случайных изображений из набора данных COCO для запуска калибровки

   for jpg in $(ls -1 val2017/*.jpg | sort -R | head -1000); do
     cp ${jpg} calibration/
   done
   

   Примечание

   NVIDIA рекомендует использовать не менее 500 изображений для достижения хорошей точности. В этом примере выбрано 1000 изображений для повышения точности (больше изображений = выше точность). Вы можете установить это значение с помощью head -1000. Например, для 2000 изображений используйте head -2000. Этот процесс может занять много времени.

6. Создать calibration.txt файл со всеми выбранными изображениями

   realpath calibration/*jpg > calibration.txt
   

7. Установить переменные среды

   export INT8_CALIB_IMG_PATH=calibration.txt
   export INT8_CALIB_BATCH_SIZE=1
   

   Примечание

   Более высокие значения INT8_CALIB_BATCH_SIZE приведут к большей точности и более высокой скорости калибровки. Установите его в соответствии с памятью вашей GPU.

8. Обновить config_infer_primary_yolo11.txt файла

   От

   ...
   model-engine-file=model_b1_gpu0_fp32.engine
   #int8-calib-file=calib.table
   ...
   network-mode=0
   ...
   

   К

   ...
   model-engine-file=model_b1_gpu0_int8.engine
   int8-calib-file=calib.table
   ...
   network-mode=1
   ...
   

Запуск Inference

deepstream-app -c deepstream_app_config.txt

Настройка MultiStream

Смотреть: Как запустить несколько потоков с помощью DeepStream SDK на Jetson Nano, используя Ultralytics YOLO11 🎉

Чтобы настроить несколько потоков в одном приложении deepstream, вы можете внести следующие изменения в deepstream_app_config.txt файла

1. Измените строки и столбцы, чтобы создать сетку отображения в соответствии с количеством потоков, которые вы хотите иметь. Например, для 4 потоков мы можем добавить 2 строки и 2 столбца.

   [tiled-display]
   rows=2
   columns=2
   

2. Установить num-sources=4 и добавьте uri всех 4 потоков

   [source0]
   enable=1
   type=3
   uri=path/to/video1.jpg
   uri=path/to/video2.jpg
   uri=path/to/video3.jpg
   uri=path/to/video4.jpg
   num-sources=4
   

Запуск Inference

deepstream-app -c deepstream_app_config.txt

Результаты бенчмаркинга

Следующие бенчмарки суммируют, как модели YOLO11 работают на разных уровнях точности TensorRT с входным размером 640x640 на NVIDIA Jetson Orin NX 16GB.

Сравнительная таблица

Подробная сравнительная таблица

Благодарности

Это руководство было первоначально создано нашими друзьями из Seeed Studio, Лакшантхой и Элейн.

Часто задаваемые вопросы

Как настроить Ultralytics YOLO11 на устройстве NVIDIA Jetson?

Чтобы настроить Ultralytics YOLO11 на устройстве NVIDIA Jetson, вам сначала необходимо установить DeepStream SDK, совместимый с вашей версией JetPack. Следуйте пошаговому руководству в нашем Кратком руководстве, чтобы настроить NVIDIA Jetson для развертывания YOLO11.

Каковы преимущества использования TensorRT с YOLO11 на NVIDIA Jetson?

Использование TensorRT с YOLO11 оптимизирует модель для логического вывода, значительно снижая задержку и повышая пропускную способность на устройствах NVIDIA Jetson. TensorRT обеспечивает высокую производительность и низкую задержку логического вывода глубокого обучения благодаря слиянию слоев, калибровке точности и автоматической настройке ядра. Это приводит к более быстрому и эффективному выполнению, что особенно полезно для приложений реального времени, таких как видеоаналитика и автономные машины.

Могу ли я запустить Ultralytics YOLO11 с DeepStream SDK на различном оборудовании NVIDIA Jetson?

Да, руководство по развертыванию Ultralytics YOLO11 с помощью DeepStream SDK и TensorRT совместимо со всей линейкой NVIDIA Jetson. Сюда входят такие устройства, как Jetson Orin NX 16GB с JetPack 5.1.3 и Jetson Nano 4GB с JetPack 4.6.4. Подробные инструкции см. в разделе DeepStream Configuration for YOLO11.

Как я могу преобразовать модель YOLO11 в ONNX для DeepStream?

Чтобы преобразовать модель YOLO11 в формат ONNX для развертывания с помощью DeepStream, используйте utils/export_yolo11.py скрипт из DeepStream-Yolo репозитории.

Вот пример команды:

python3 utils/export_yolo11.py -w yolo11s.pt --opset 12 --simplify

Для получения более подробной информации о преобразовании модели ознакомьтесь с нашим разделом об экспорте моделей.

Каковы эталонные показатели производительности для YOLO на NVIDIA Jetson Orin NX?

Производительность моделей YOLO11 на NVIDIA Jetson Orin NX 16GB варьируется в зависимости от уровней точности TensorRT. Например, модели YOLO11s достигают:

• Точность FP32: 14.6 мс/изобр., 68.5 FPS
• Точность FP16: 7.94 мс/изобр., 126 FPS
• Точность INT8: 5.95 мс/изобр., 168 FPS

Эти тесты подчеркивают эффективность и возможности использования моделей YOLO11, оптимизированных с помощью TensorRT, на оборудовании NVIDIA Jetson. Более подробную информацию смотрите в разделе Результаты тестов.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии