YOLO Vision 2026:

Ultralytics YOLO için Luxonis OAK Dağıtımı#

Luxonis OAK kameraları, Luxonis araçlarıyla dönüştürüldükten sonra cihaz üzerinde Ultralytics YOLO modellerini çalıştırır. Bu manuel bir dağıtım iş akışıdır; Luxonis yerel bir Ultralytics model.export(format="...") hedefi değildir.

Bu kılavuz RVC2 ve RVC4 cihazlarını kapsar. Kameranın platformu için dönüştürme yap: RVC2 ve RVC4 çıktıları birbirinin yerine kullanılamaz. Desteklenen model aileleri ve görevler değişiklik gösterir; dönüştürme işleminden önce Luxonis Tools destek matrisini kontrol et.

yolo26n.pt gibi desteklenen bir YOLO .pt kontrol noktasıyla veya kendi eğitilmiş modelinle başla. Dönüştürülen NN Arşivi, modeli ve çalışma zamanı meta verilerini paketler.

Luxonis Hub ile Bulut Dönüştürme#

  1. Luxonis Hub oturumunu aç ve Hızlı Dönüştürme seçeneğini aç.
  2. YOLO seçeneğini seç, RVC2 veya RVC4 seç ve .pt kontrol noktanı yükle.
  3. Girdi boyutunu ve dönüştürme parametrelerini ayarla, ardından dönüştürme işlemini gönder.
  4. Tamamlandıktan sonra, aşağıdaki çıkarım örneği için dönüştürülen modelin tanımlayıcısını kopyala veya modelin NN Arşivini indir.

Otomatik dönüştürme veya özel RVC4 kalibrasyon verileri için HubAI SDK kullan. Python 3.10+ ortamında kurulum talimatlarını takip et. Ayrıntılı Dönüştürme, kayıt defteri yönetimi ve önceden tanımlanmış kalibrasyon veri kümeleri sağlar.

Araçlar ve ModelConverter ile Yerel Dönüştürme#

Python 3.10+ ve Docker kullan. Bağımlılık kısıtlamaları dahil olmak üzere yukarı akış kurulum talimatlarını kullanarak Luxonis Tools kur. Araçlar, Luxonis ayrıştırması için YOLO çıktılarını hazırlar; genel bir ONNX dışa aktarımı bu adımıin yerini almaz.

# Export the checkpoint to an ONNX NN Archive
tools yolo26n.pt --imgsz "640 640" --output-dir output

# Install the target-platform converter
pip install modelconv==0.6.0

Araçlar, output/ altındaki zaman damgalı bir dizinin içine yolo26n.tar.xz yazar. Aşağıdaki örnek yolu bu dosyayla değiştir. RVC4 INT8 dönüşümü için calibration_images/ kısmını temsili dağıtım görüntüleriyle doldur; kalibrasyon verisi gereksinimlerine göz at.

modelconverter convert rvc4 --path output/yolo26n_20260807_104858/yolo26n.tar.xz \
  calibration.path calibration_images/

RVC2 için rvc4 yerine rvc2 kullan; FP16 dönüşümü için kalibrasyon görüntüleri gerekmez. Ara katman ONNX arşivi yerine, çıkarım için ModelConverter'ın çıktı dizinindeki derlenmiş NN Arşivini kullan. Çıktı yolları ve platforma özel seçenekler için ModelConverter bölümüne bak.

OAK Kamerada Çıkarım Çalıştırma#

Uyumlu bir OAK kamera bağla ve Python ortamında DepthAI kur:

pip install depthai==3.9.0

Özel bir Hub modeli için betiği çalıştırmadan önce DEPTHAI_HUB_API_KEY değerini bir Luxonis Hub API anahtarı olarak ayarla. your-model-identifier ifadesini Hub'daki tanımlayıcıyla değiştir veya yerel derlenmiş NN Arşivi alternatifini kullan.

import depthai as dai

model = "your-model-identifier"
# Alternatively, use your converted local artifact:
# model = dai.NNArchive("path/to/model.rvc4.tar.xz")

visualizer = dai.RemoteConnection()

with dai.Pipeline() as pipeline:
    camera = pipeline.create(dai.node.Camera).build()
    detection = pipeline.create(dai.node.DetectionNetwork).build(camera, model)

    visualizer.addTopic("rgb", detection.passthrough, group="RGB")
    visualizer.addTopic("detections", detection.out, group="RGB")

    pipeline.start()
    visualizer.registerPipeline(pipeline)

    while pipeline.isRunning():
        if visualizer.waitKey(1) == ord("q"):
            pipeline.stop()

RGB akışını ve tespitleri görüntülemek için http://localhost:8082 aç. DetectionNetwork ayrıca uyumlu örnek bölütleme ve poz modellerini destekler. Anlamsal bölütleme ve sınıflandırma dahil diğer görevler için göreve özel çıkarım kılavuzunu takip et.

Stereo derinlik boru hatları için uzamsal tespit örneğine göz at. Karşılaştırma test kılavuzunu kullanarak modelini hedef kamera üzerinde ölç; iş hacmi modele, girdi boyutuna, hassasiyete ve boru hattı yapılandırmasına bağlıdır.

Katkıda Bulunanlar
KLklemen19991

Yorumlar