Ultralytics YOLO11 Modelleri için RKNN Dışa Aktarımı

Bilgisayarla görme modellerini gömülü cihazlara, özellikle de Rockchip işlemcilerle çalışanlara yerleştirirken uyumlu bir model formatına sahip olmak çok önemlidir. Dışa aktarma Ultralytics YOLO11 modelleri RKNN formatına dönüştürmek, Rockchip'in donanımıyla optimize edilmiş performans ve uyumluluk sağlar. Bu kılavuz, YOLO11 modellerinizi RKNN formatına dönüştürerek Rockchip platformlarında verimli bir dağıtım sağlamanıza yardımcı olacaktır.

Rockchip nedir?

Çok yönlü ve güç tasarruflu çözümler sunmasıyla tanınan Rockchip, çok çeşitli tüketici elektroniği, endüstriyel uygulamalar ve yapay zeka teknolojilerine güç veren gelişmiş System-on-Chips (SoC'ler) tasarlar. ARM tabanlı mimari, yerleşik Sinir İşleme Birimleri (NPU'lar) ve yüksek çözünürlüklü multimedya desteği ile Rockchip SoC'ler tabletler, akıllı TV'ler, IoT sistemleri ve uç yapay zeka uygulamaları gibi cihazlar için üstün performans sağlar. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas ve Banana Pi gibi şirketler Rockchip SoC'lere dayalı çeşitli ürünler sunarak farklı pazarlardaki erişimlerini ve etkilerini daha da genişletiyor.

RKNN Araç Seti

RKNN Toolkit, Rockchip tarafından donanım platformlarında derin öğrenme modellerinin dağıtımını kolaylaştırmak için sağlanan bir dizi araç ve kütüphanedir. RKNN veya Rockchip Neural Network, bu araçlar tarafından kullanılan tescilli formattır. RKNN modelleri, Rockchip'in NPU'su (Nöral İşlem Birimi) tarafından sağlanan donanım hızlandırmasından tam olarak yararlanmak üzere tasarlanmıştır ve RK3588, RK3566, RV1103, RV1106 ve diğer Rockchip destekli sistemler gibi cihazlarda yapay zeka görevlerinde yüksek performans sağlar.

RKNN Modellerinin Temel Özellikleri

RKNN modelleri, Rockchip platformlarında dağıtım için çeşitli avantajlar sunar:

• NPU için optimize edilmiştir: RKNN modelleri, Rockchip'in NPU'larında çalışacak şekilde özel olarak optimize edilmiştir ve maksimum performans ve verimlilik sağlar.
• Düşük Gecikme Süresi: RKNN formatı, uç cihazlardaki gerçek zamanlı uygulamalar için kritik olan çıkarım gecikmesini en aza indirir.
• Platforma Özel Özelleştirme: RKNN modelleri belirli Rockchip platformlarına göre uyarlanabilir ve donanım kaynaklarının daha iyi kullanılmasını sağlar.

Rockchip donanımına Flash OS

Rockchip tabanlı bir cihazı elinize aldıktan sonraki ilk adım, donanımın çalışma ortamına geçebilmesi için bir işletim sistemi flashlamaktır. Bu kılavuzda, test ettiğimiz iki cihaz olan Radxa Rock 5B ve Radxa Zero 3W'nin başlangıç kılavuzlarına işaret edeceğiz.

• Radxa Rock 5B Başlangıç Kılavuzu
• Radxa Zero 3W Başlangıç Kılavuzu

RKNN'ye Aktarma: YOLO11 Modelinizi Dönüştürme

Bir Ultralytics YOLO11 modelini RKNN formatına dışa aktarın ve dışa aktarılan modelle çıkarım çalıştırın.

Kurulum

Gerekli paketleri yüklemek için çalıştırın:

# Install the required package for YOLO11
pip install ultralytics

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz atın. YOLO11 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Ortak Sorunlar kılavuz umuza başvurun.

Kullanım

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to RKNN format
# Here name can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118
model.export(format="rknn", args={"name": "rk3588"})  # creates '/yolo11n_rknn_model'

# Export a YOLO11n PyTorch model to RKNN format
# Here name can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118
yolo export model=yolo11n.pt format=rknn name=rk3588  # creates '/yolo11n_rknn_model'

Dışa aktarma işlemi hakkında daha fazla bilgi için, dışa aktarma ile ilgiliUltralytics dokümantasyon sayfasını ziyaret edin.

Dışa Aktarılan YOLO11 RKNN Modellerini Dağıtma

Ultralytics YOLO11 modellerinizi başarılı bir şekilde RKNN formatına aktardıktan sonra, bir sonraki adım bu modelleri Rockchip tabanlı cihazlara dağıtmaktır.

Kurulum

Gerekli paketleri yüklemek için çalıştırın:

# Install the required package for YOLO11
pip install ultralytics

Kullanım

from ultralytics import YOLO

# Load the exported RKNN model
rknn_model = YOLO("./yolo11n_rknn_model")

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

# Run inference with the exported model
yolo predict model='./yolo11n_rknn_model' source='https://ultralytics.com/images/bus.jpg'

Ölçütler

YOLO11 Aşağıdaki kıyaslamalar Ultralytics ekibi tarafından Rockchip RK3588 tabanlı Radxa Rock 5B üzerinde rknn model formatı ölçüm hızı ve doğruluğu.

Özet

Bu kılavuzda, Rockchip platformlarında dağıtımlarını geliştirmek için Ultralytics YOLO11 modellerini RKNN formatına nasıl aktaracağınızı öğrendiniz. Ayrıca RKNN Toolkit ve uç yapay zeka uygulamaları için RKNN modellerini kullanmanın özel avantajları ile tanıştınız.

Kullanım hakkında daha fazla bilgi için RKNN resmi belgelerini ziyaret edin.

Ayrıca, diğer Ultralytics YOLO11 entegrasyonları hakkında daha fazla bilgi edinmek isterseniz, entegrasyon kılavuzu sayfamızı ziyaret edin. Orada çok sayıda faydalı kaynak ve bilgi bulacaksınız.

📅 0 gün önce oluşturuldu ✏️ 0 gün önce güncellendi

Yorumlar