Coral Edge TPU ile Raspberry Pi üzerinde Ultralytics YOLOv8 🚀
Coral Edge TPU nedir?
Coral Edge TPU , sisteminize bir Edge TPU yardımcı işlemcisi ekleyen kompakt bir cihazdır. TensorFlow Lite modelleri için düşük güçlü, yüksek performanslı ML çıkarımı sağlar. Coral Edge TPU ana sayfasından daha fazla bilgi edinin.
Coral Edge ile Raspberry Pi Model Performansını Artırın TPU
Birçok kişi modellerini Raspberry Pi gibi gömülü veya mobil bir cihazda çalıştırmak ister, çünkü bu cihazlar güç açısından çok verimlidir ve birçok farklı uygulamada kullanılabilir. Ancak, bu cihazlardaki çıkarım performansı, aşağıdaki gibi formatlar kullanıldığında bile genellikle düşüktür onnx veya openvino. Coral Edge TPU , Raspberry Pi ile kullanılabildiği ve çıkarım performansını büyük ölçüde hızlandırdığı için bu soruna harika bir çözümdür.
TensorFlow Lite ile Raspberry Pi üzerinde Edge TPU (Yeni)⭐
Coral'ın Edge TPU 'un Raspberry Pi ile nasıl kullanılacağına dair mevcut kılavuzu güncel değil ve mevcut Coral Edge TPU çalışma zamanı yapıları artık mevcut TensorFlow Lite çalışma zamanı sürümleriyle çalışmıyor. Buna ek olarak, Google Coral projesini tamamen terk etmiş gibi görünüyor ve 2021 ile 2024 yılları arasında herhangi bir güncelleme yapılmadı. Bu kılavuz, Edge TPU 'u TensorFlow Lite çalışma zamanının en son sürümleriyle ve Raspberry Pi tek kartlı bilgisayarda (SBC) güncellenmiş bir Coral Edge TPU çalışma zamanıyla nasıl çalıştıracağınızı gösterecektir.
Ön Koşullar
- Raspberry Pi 4B (2GB veya daha fazlası önerilir) veya Raspberry Pi 5 (Önerilen)
- Raspberry Pi OS Bullseye/Bookworm (64-bit) masaüstü ile (Önerilen)
- Coral USB Hızlandırıcı
- Bir Ultralytics PyTorch modelini dışa aktarmak için ARM tabanlı olmayan bir platform
Kurulum İzlenecek Yol
Bu kılavuz, halihazırda çalışan bir Raspberry Pi OS kurulumuna sahip olduğunuzu ve ultralytics
ve tüm bağımlılıklar. Almak için ultralytics
yüklü ise, şu adresi ziyaret edin hızlı başlangıç kılavuzu buraya devam etmeden önce kurulum için.
Edge TPU çalışma zamanının yüklenmesi
İlk olarak, Edge TPU çalışma zamanını yüklememiz gerekiyor. Birçok farklı sürüm mevcuttur, bu nedenle işletim sisteminiz için doğru sürümü seçmeniz gerekir.
Raspberry Pi İşletim Sistemi | Yüksek frekans modu | İndirilecek sürüm |
---|---|---|
Bullseye 32bit | Hayır | libedgetpu1-std_ ... .bullseye_armhf.deb |
Bullseye 64bit | Hayır | libedgetpu1-std_ ... .bullseye_arm64.deb |
Bullseye 32bit | Evet | libedgetpu1-max_ ... .bullseye_armhf.deb |
Bullseye 64bit | Evet | libedgetpu1-max_ ... .bullseye_arm64.deb |
Kitap Kurdu 32bit | Hayır | libedgetpu1-std_ ... .bookworm_armhf.deb |
Kitap Kurdu 64bit | Hayır | libedgetpu1-std_ ... .bookworm_arm64.deb |
Kitap Kurdu 32bit | Evet | libedgetpu1-max_ ... .bookworm_armhf.deb |
Kitap Kurdu 64bit | Evet | libedgetpu1-max_ ... .bookworm_arm64.deb |
En son sürümü buradan indirin.
Dosyayı indirdikten sonra aşağıdaki komut ile kurulum yapabilirsiniz:
Çalışma zamanını kurduktan sonra Coral Edge TPU cihazınızı Raspberry Pi'nizdeki bir USB 3.0 portuna takmanız gerekir. Bunun nedeni, resmi kılavuza göre, yeni bir udev
kuralının kurulumdan sonra yürürlüğe girmesi gerekir.
Önemli
Coral Edge TPU çalışma zamanı zaten yüklüyse, aşağıdaki komutu kullanarak kaldırın.
Modelinizi Edge TPU uyumlu bir modele aktarın
Edge TPU kullanmak için modelinizi uyumlu bir formata dönüştürmeniz gerekir. Edge TPU derleyicisi ARM'de mevcut olmadığından, dışa aktarma işlemini Google Colab, x86_64 Linux makinesinde, resmi Ultralytics Docker konteynerini kullanarak veya Ultralytics HUB kullanarak çalıştırmanız önerilir. Kullanılabilir argümanlar için Dışa Aktarma Modu 'na bakın.
İhracat
Dışa aktarılan model şu adrese kaydedilecektir <model_name>_saved_model/
adında bir klasör <model_name>_full_integer_quant_edgetpu.tflite
.
Modelin çalıştırılması
Modelinizi dışa aktardıktan sonra, aşağıdaki kodu kullanarak modelinizle çıkarım yapabilirsiniz:
Koşmak
Tüm tahmin modu ayrıntıları için Tahmin sayfasında kapsamlı bilgi bulabilirsiniz.
Önemli
Modeli aşağıdakileri kullanarak çalıştırmalısınız tflite-runtime
ve değil tensorflow
.
Eğer tensorflow
yüklüyse, tensorflow adresini aşağıdaki komutla kaldırın:
Sonra yükleyin/güncelleyin tflite-runtime
:
Eğer bir tflite-runtime
için tekerlek tensorflow
2.15.0 adresinden indirin Burada ve kullanarak yükleyin pip
veya tercih ettiğiniz paket yöneticisini kullanabilirsiniz.