Ultralytics YOLO26 Modelleri için Rockchip RKNN Dışa Aktarımı#

Gömülü cihazlarda bilgisayarlı görü modelleri dağıtılırken, özellikle Rockchip işlemcileriyle çalışanlarda, uyumlu bir model formatına sahip olmak çok önemlidir. Ultralytics YOLO26 modellerini RKNN formatına dışarı aktarmak, optimize edilmiş performans ve Rockchip donanımıyla uyumluluk sağlar. Bu kılavuz, kayan noktalı ve INT8 nicemlenmiş dışa aktarımlar dahil olmak üzere YOLO26 modellerini RKNN formatına dönüştürme sürecinde sana rehberlik ederek Rockchip platformlarında verimli dağıtım yapmanı sağlar.

Rockchip nedir?#

Çok yönlü ve güç açısından verimli çözümler sunmasıyla tanınan Rockchip; çok çeşitli tüketici elektroniği, endüstriyel uygulama ve yapay zeka teknolojilerine güç veren gelişmiş Çip Üzerinde Sistemler (SoC'ler) tasarlar. ARM tabanlı mimarisi, yerleşik Sinirsel 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 son teknoloji performans sağlar. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas ve Banana Pi gibi şirketler, Rockchip SoC'lere dayalı çeşitli ürünler sunarak bunların farklı pazarlardaki erişimini ve etkisini daha da artırmaktadır.

RKNN Araç Kiti#

RKNN Toolkit, derin öğrenme modellerinin donanım platformlarında dağıtımını kolaylaştırmak için Rockchip tarafından sağlanan bir araç ve kütüphane setidir. RKNN veya Rockchip Neural Network, bu araçlar tarafından kullanılan tescilli formatdır. RKNN modelleri, RK3588, RK3566, RV1103, RV1106 ve diğer Rockchip destekli sistemler gibi cihazlarda yapay zeka görevlerinde yüksek performans sağlamak üzere Rockchip NPU'sunun (Sinirsel İşleme Birimi) sağladığı donanım hızlandırmasından tam olarak yararlanacak şekilde tasarlanmıştır.

RKNN Modellerinin Temel Özellikleri#

RKNN modelleri, Rockchip platformlarında dağıtım için birçok avantaj sunar:

• NPU için Optimize Edilmiştir: RKNN modelleri, maksimum performans ve verimlilik sağlamak üzere özel olarak Rockchip NPU'larında çalışacak şekilde optimize edilmiştir.
• Düşük Gecikme: RKNN formatı, uç cihazlardaki gerçek zamanlı uygulamalar için kritik öneme sahip olan çıkarım gecikmesini en aza indirir.
• Platforma Özel Özelleştirme: RKNN modelleri, belirli Rockchip platformlarına göre uyarlanabilir ve böylece donanım kaynaklarından daha iyi yararlanılmasını sağlar.
• Güç Verimliliği: RKNN modelleri, özel NPU donanımından yararlanarak CPU veya GPU tabanlı işleme süreçlerine göre daha az güç tüketir ve taşınabilir cihazların pil ömrünü uzatır.

Rockchip donanımına işletim sistemi yükleme#

Rockchip tabanlı bir cihazı eline aldığında yapman gereken ilk adım, donanımın çalışan bir ortamda önyükleme yapabilmesi için bir işletim sistemi yüklemektir. Bu kılavuzda, test ettiğimiz iki cihaz olan Radxa Rock 5B ve Radxa Zero 3W'nun başlangıç kılavuzlarına yönlendirme yapacağız.

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

Desteklenen Görevler#

RKNN dışa aktarımı, yedi Ultralytics görevinin tümünü destekler. Anlamsal segmentasyon ve derinlik tahmini yalnızca, bu başlıklarla gelen tek aile olan YOLO26 ile kullanılabilir.

RKNN'ye Dışa Aktarım: YOLO26 Modelini Dönüştürme#

Bir Ultralytics YOLO26 modelini RKNN formatına aktar ve dışa aktarılan modelle çıkarım yap.

Kurulum#

Gerekli paketleri kurmak için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Kurulum sürecine ilişkin ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza danış.

Kullanım#

RKNN formatı Export, Predict ve Validate modlarını destekler. Çıkarım ve doğrulama Rockchip NPU donanımında çalışır. Modelini dışarı aktar, ardından çıkarım yapmak veya doğruluğunu test etmek için dışarı aktarılan modeli yükle. Varsayılan olarak RKNN dışa aktarımı, FP16 destekli Rockchip hedefleri için kayan nokta derleme yolunu (quantize=16) kullanır. Kalibrasyon verileriyle INT8 nicemlenmiş bir RKNN modeli oluşturmak için quantize=8 kullan. RKNN dışa aktarımı ayrı bir FP32 modu sunmaz; FP16 varsayılanı FP32 talep etmez.

from ultralytics import YOLO

# Load a YOLO26 model (replace with any supported task model)
model = YOLO("yolo26n-obb.pt")

# Export the model to RKNN format
model.export(format="rknn", name="rk3588")  # creates '/yolo26n-obb_rknn_model'

# Export an INT8-quantized RKNN model with calibration data
model.export(format="rknn", name="rk3588", quantize=8, data="dota8.yaml")

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

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

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

# Validate accuracy on the DOTA8 dataset
metrics = model.val(data="dota8.yaml")

Dışa Aktarma Argümanları#

Dışa aktarım süreci hakkında daha fazla ayrıntı için Ultralytics documentation page on exporting sayfasını ziyaret edin.

Dışa Aktarılan YOLO26 RKNN Modellerini Dağıtma#

Ultralytics YOLO26 modellerini RKNN formatına başarıyla dışa aktardıktan sonra, bir sonraki adım bu modelleri Rockchip tabanlı cihazlarda dağıtmaktır.

Kurulum#

Gerekli paketleri kurmak için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Yüklendikten sonra, yukarıdaki Kullanım bölümünde gösterildiği gibi çıkarım ve doğrulamayı doğrudan Rockchip cihazında çalıştır — dışa aktarılan _rknn_model, doğrudan YOLO(...) ile yüklenir.

Gerçek Dünya Uygulamaları#

YOLO26 RKNN modellerine sahip Rockchip destekli cihazlar çeşitli uygulamalarda kullanılabilir:

• Akıllı Gözetim: Düşük güç tüketimiyle güvenlik izleme için verimli nesne tespit sistemleri dağıt.
• Endüstriyel Otomasyon: Kalite kontrol ve hata tespiti süreçlerini doğrudan gömülü cihazlarda uygula.
• Perakende Analitiği: Bulut bağımlılığı olmadan müşteri davranışlarını ve envanter yönetimini gerçek zamanlı takip et.
• Akıllı Tarım: Tarımda bilgisayarlı görü kullanarak ürün sağlığını izle ve zararlıları tespit et.
• Otonom Robotik: Kaynak kısıtlı platformlarda görüntü tabanlı navigasyonu ve engel algılamayı etkinleştir.

Kıyaslamalar#

Aşağıdaki YOLO26 kıyaslamaları, Ultralytics ekibi tarafından rknn model formatı kullanılarak hız ve doğruluğu ölçmek amacıyla Rockchip RK3588 tabanlı Radxa Rock 5B üzerinde çalıştırılmıştır.

Özet#

Bu kılavuzda, Ultralytics YOLO26 modellerini Rockchip platformlarındaki dağıtımlarını iyileştirmek için RKNN formatına nasıl aktaracağını öğrendin. Ayrıca RKNN Araç Kiti ve RKNN modellerini uç yapay zeka uygulamalarında kullanmanın sağladığı özel avantajlarla tanıştın.

Ultralytics YOLO26 ve Rockchip'in NPU teknolojisinin birleşimi, gömülü cihazlarda gelişmiş bilgisayarlı görü görevlerini çalıştırmak için verimli bir çözüm sağlar. Bu yaklaşım, minimum güç tüketimi ve yüksek performansla gerçek zamanlı nesne tespiti ve diğer görü yapay zeka uygulamalarını mümkün kılar.

Kullanım hakkında daha fazla ayrıntı için RKNN resmi belgelerini ziyaret et.

Ayrıca, diğer Ultralytics YOLO26 entegrasyonları hakkında daha fazla bilgi edinmek istiyorsan entegrasyon kılavuzu sayfamızı ziyaret et. Orada pek çok yararlı kaynak ve fikir bulacaksın.

SSS#