Ultralytics YOLO26 Modelleri için Rockchip RKNN Aktarımı

Gömülü cihazlarda, özellikle Rockchip işlemcilerle desteklenenlerde bilgisayar görüşü modellerini dağıtırken, uyumlu bir model formatına sahip olmak çok önemlidir. Ultralytics YOLO26 modellerini RKNN formatına aktarmak, optimize edilmiş performans ve Rockchip donanımıyla uyumluluk sağlar. Bu kılavuz, YOLO26 modellerinizi RKNN formatına dönüştürerek Rockchip platformlarında verimli dağıtımı sağlamanıza yardımcı olacaktır.

Rockchip nedir?

Çok yönlü ve güç açısından verimli çözümler sunmasıyla tanınan Rockchip, çok çeşitli tüketici elektroniği, endüstriyel uygulamalar ve yapay zeka teknolojilerine güç sağlayan gelişmiş Çip Üzerinde Sistemler (SoC'ler) tasarlar. ARM tabanlı mimarisi, yerleşik Nöral İşleme Birimleri (NPB'ler) ve yüksek çözünürlüklü multimedya desteği ile Rockchip SoC'ler, tabletler, akıllı TV'ler, IoT sistemleri ve uç yapay zeka uygulamaları gibi cihazlar için en son performansı sağlar. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas ve Banana Pi gibi şirketler, Rockchip SoC'lere dayalı çeşitli ürünler sunarak, çeşitli pazarlarda erişimlerini ve etkilerini daha da genişletmektedir.

RKNN Araç Seti

RKNN Toolkit, Rockchip tarafından donanım platformlarında derin öğrenme modellerinin dağıtımını kolaylaştırmak için sağlanan bir araç ve kütüphane setidir. RKNN veya Rockchip Neural Network, bu araçlar tarafından kullanılan tescilli formattır. RKNN modelleri, Rockchip'in NPU'su (Neural Processing Unit) 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 Edilmiş: RKNN modelleri, maksimum performans ve verimlilik sağlamak için özellikle Rockchip'in NPU'larında çalışacak şekilde optimize edilmiştir.
• Düşük Gecikme: 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.
• Güç Verimliliği: Özel NPU donanımından yararlanarak, RKNN modelleri CPU veya GPU tabanlı işlemeye göre daha az güç tüketir ve taşınabilir cihazlar için pil ömrünü uzatır.

Flash OS'yi Rockchip donanımına yükleyin

Rockchip tabanlı bir cihaza sahip olduktan sonraki ilk adım, donanımın çalışır bir ortama önyükleme yapabilmesi için bir işletim sistemi yüklemektir. 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 Aktarım: YOLO26 Modelinizi Dönüştürme

Bir Ultralytics YOLO26 modelini RKNN formatına aktarın ve aktarılan modelle çıkarım yapın.

Kurulum

Gerekli paketleri kurmak için şunu çalıştırın:

# Install the required package for YOLO26
pip install ultralytics

Kurulum süreciyle ilgili detaylı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum rehberimize göz atın. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar rehberimize başvurun.

Kullanım

from ultralytics import YOLO

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

# Export the model to RKNN format
# 'name' can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118, rv1126b
model.export(format="rknn", name="rk3588")  # creates '/yolo26n_rknn_model'

# Export a YOLO26n PyTorch model to RKNN format
# 'name' can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118, rv1126b
yolo export model=yolo26n.pt format=rknn name=rk3588 # creates '/yolo26n_rknn_model'

Dışa Aktarma Argümanları

Dışa aktarma süreci hakkında daha fazla bilgi için Ultralytics'in dışa aktarma hakkındaki dokümantasyon sayfasını ziyaret edin.

Aktarılmış YOLO26 RKNN Modellerini Dağıtma

Ultralytics YOLO26 modellerinizi RKNN formatına başarıyla aktardıktan sonra, bir sonraki adım bu modelleri Rockchip tabanlı cihazlara dağıtmaktır.

Kurulum

Gerekli paketleri kurmak için şunu çalıştırın:

# Install the required package for YOLO26
pip install ultralytics

Kullanım

from ultralytics import YOLO

# Load the exported RKNN model
rknn_model = YOLO("./yolo26n_rknn_model")

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

# Run inference with the exported model
yolo predict model='./yolo26n_rknn_model' source='https://ultralytics.com/images/bus.jpg'

Gerçek Dünya Uygulamaları

YOLO26 RKNN modellerine sahip Rockchip destekli cihazlar çeşitli uygulamalarda kullanılabilir:

• Akıllı Gözetim: Düşük güç tüketimiyle güvenlik izlemesi için verimli nesne algılama sistemleri dağıtın.
• Endüstriyel Otomasyon: Kalite kontrolünü ve kusur tespitini doğrudan gömülü cihazlarda uygulayın.
• Perakende Analitiği: Bulut bağımlılığı olmadan müşteri davranışını ve envanter yönetimini gerçek zamanlı olarak izleyin.
• Akıllı Tarım: Tarımda bilgisayarlı görü kullanarak ürün sağlığını izleyin ve zararlıları tespit edin.
• Otonom Robotik: Kaynak kısıtlı platformlarda vizyon tabanlı navigasyon ve engel tespitini etkinleştirin.

Kıyaslamalar

Aşağıdaki YOLO26 kıyaslamaları, Ultralytics ekibi tarafından Rockchip RK3588 tabanlı Radxa Rock 5B üzerinde şunlarla çalıştırılmıştır: rknn hız ve doğruluğu ölçen model formatı.

Özet

Bu kılavuzda, Ultralytics YOLO26 modellerini Rockchip platformlarında dağıtımlarını geliştirmek için RKNN formatına nasıl aktaracağınızı öğrendiniz. Ayrıca RKNN Toolkit'e ve kenar yapay zeka uygulamaları için RKNN modellerini kullanmanın özel avantajlarına da giriş yaptınız.

Ultralytics YOLO26 ve Rockchip'in NPU teknolojisinin birleşimi, gömülü cihazlarda gelişmiş bilgisayar görüşü görevlerini çalıştırmak için verimli bir çözüm sunar. Bu yaklaşım, minimum güç tüketimi ve yüksek performansla gerçek zamanlı object detection ve diğer görüş yapay zeka uygulamalarını mümkün kılar.

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

Ayrıca, diğer Ultralytics YOLO26 entegrasyonları hakkında daha fazla bilgi edinmek isterseniz, entegrasyon kılavuzu sayfamızı ziyaret edin. Orada birçok faydalı kaynak ve bilgi bulacaksınız.

SSS

Ultralytics YOLO modelimi RKNN formatına nasıl aktarabilirim?

Ultralytics YOLO modelinizi, kullanarak kolayca RKNN biçimine aktarabilirsiniz export() yöntemini Ultralytics python paketinde veya komut satırı arayüzü (CLI) aracılığıyla kullanın. Dışa aktarma işlemi için x86 tabanlı bir Linux PC kullandığınızdan emin olun, çünkü Rockchip gibi ARM64 cihazları bu işlem için desteklenmemektedir. Hedef Rockchip platformunu kullanarak belirtebilirsiniz name gibi argüman rk3588, rk3566, veya diğerleri. Bu işlem, hızlandırılmış çıkarım için Nöral İşleme Biriminden (NPU) yararlanarak Rockchip cihazınızda dağıtıma hazır optimize edilmiş bir RKNN modeli oluşturur.

from ultralytics import YOLO

# Load your YOLO model
model = YOLO("yolo26n.pt")

# Export to RKNN format for a specific Rockchip platform
model.export(format="rknn", name="rk3588")

yolo export model=yolo26n.pt format=rknn name=rk3588

Rockchip cihazlarında RKNN modellerini kullanmanın faydaları nelerdir?

RKNN modelleri, özellikle Rockchip'in Nöral İşleme Birimlerinin (NPU'lar) donanım hızlandırma özelliklerinden yararlanmak için tasarlanmıştır. Bu optimizasyon, aynı donanımda ONNX veya TensorFlow Lite gibi genel model formatlarını çalıştırmaya kıyasla önemli ölçüde daha hızlı çıkarım hızları ve azaltılmış gecikme sağlar. RKNN modellerini kullanmak, cihazın kaynaklarının daha verimli kullanılmasını sağlayarak daha düşük güç tüketimi ve daha iyi genel performans sağlar; bu da özellikle uç cihazlardaki gerçek zamanlı uygulamalar için kritiktir. Ultralytics YOLO modellerinizi RKNN'ye dönüştürerek, RK3588, RK3566 ve diğerleri gibi Rockchip SoC'ler tarafından desteklenen cihazlarda optimum performans elde edebilirsiniz.

NVIDIA veya Google gibi diğer üreticilerin cihazlarında RKNN modellerini dağıtabilir miyim?

RKNN modelleri, özellikle Rockchip platformları ve entegre NPU'ları için optimize edilmiştir. Bir RKNN modelini teknik olarak yazılım emülasyonu kullanarak diğer platformlarda çalıştırabilseniz de, Rockchip cihazları tarafından sağlanan donanım hızlandırmasından yararlanamazsınız. Diğer platformlarda optimum performans için, Ultralytics YOLO modellerinizi NVIDIA GPU'lar için TensorRT veya Google'ın Edge TPU'su için TensorFlow Lite gibi bu platformlar için özel olarak tasarlanmış formatlara aktarmanız önerilir. Ultralytics, çeşitli donanım hızlandırıcılarıyla uyumluluk sağlayarak çok çeşitli formatlara dışa aktarmayı destekler.

RKNN model dağıtımı için hangi Rockchip platformları desteklenmektedir?

Ultralytics YOLO'nun RKNN formatına dışa aktarımı, popüler RK3588, RK3576, RK3566, RK3568, RK3562, RV1103, RV1106, RV1103B, RV1106B, RK2118 ve RV1126B dahil olmak üzere geniş bir Rockchip platform yelpazesini destekler. Bu platformlar genellikle Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas ve Banana Pi gibi üreticilerin cihazlarında bulunur. Bu geniş destek, optimize edilmiş RKNN modellerinizi tek kartlı bilgisayarlardan endüstriyel sistemlere kadar çeşitli Rockchip destekli cihazlara dağıtabilmenizi sağlayarak, bilgisayar görüşü uygulamalarınızda gelişmiş performans için yapay zeka hızlandırma yeteneklerinden tam olarak yararlanmanızı garanti eder.

RKNN modellerinin performansı, Rockchip cihazlarında diğer formatlarla nasıl karşılaştırılır?

RKNN modelleri, Rockchip'in NPU'ları için optimize edilmiş olmaları nedeniyle Rockchip cihazlarında ONNX veya TensorFlow Lite gibi diğer formatlardan genellikle daha iyi performans gösterir. Örneğin, Radxa Rock 5B (RK3588) üzerindeki kıyaslamalar, RKNN formatındaki YOLO26n'nin 99.5 ms/görüntü çıkarım süresi elde ettiğini ve diğer formatlardan önemli ölçüde daha hızlı olduğunu göstermektedir. Bu performans avantajı, kıyaslamalar bölümünde gösterildiği gibi çeşitli YOLO26 model boyutlarında tutarlıdır. Özel NPU donanımından yararlanarak, RKNN modelleri gecikmeyi en aza indirir ve verimi en üst düzeye çıkarır, bu da onları Rockchip tabanlı kenar cihazlardaki gerçek zamanlı uygulamalar için ideal hale getirir.

📅 1 yıl önce oluşturuldu ✏️ 5 gün önce güncellendi

Yorumlar