Link to this sectionUltralytics YOLO26 Modelleri için Rockchip RKNN Dışa Aktarımı#

Bilgisayarlı görü modellerini, özellikle Rockchip işlemcilerle çalışan gömülü cihazlara dağıtırken uyumlu bir model formatına sahip olmak çok önemlidir. Ultralytics YOLO26 modellerini RKNN formatına dışa aktarmak, Rockchip donanımıyla optimize edilmiş performans ve uyumluluk sağlar. Bu kılavuz, YOLO26 modellerini kayan noktalı ve INT8 nicemlenmiş dışa aktarımlar dahil olmak üzere RKNN formatına dönüştürme sürecinde sana yol gösterecek ve Rockchip platformlarında verimli bir dağıtım yapmanı sağlayacaktır.

Link to this sectionRockchip nedir?#

Çok yönlü ve güç tasarruflu çözümler sunmasıyla tanınan Rockchip, çok çeşitli tüketici elektroniği, endüstriyel uygulamalar ve yapay zeka teknolojilerine güç veren gelişmiş Çip Üzerinde Sistemler (SoC) tasarlar. ARM tabanlı mimarisi, 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 en ileri performansı mümkün kılar. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas ve Banana Pi gibi şirketler, Rockchip SoC tabanlı çeşitli ürünler sunarak bu teknolojinin farklı pazarlardaki erişimini ve etkisini daha da genişletmektedir.

Link to this sectionRKNN Araç Kiti#

RKNN Araç Kiti, Rockchip tarafından donanım platformlarında derin öğrenme modellerinin dağıtımını kolaylaştırmak için sağlanan bir araç ve kütüphane setidir. RKNN veya Rockchip Sinir Ağı, bu araçlar tarafından kullanılan tescilli formattır. RKNN modelleri, Rockchip'in NPU'sunun (Sinir İşleme Birimi) sağladığı donanım hızlandırmasından tam olarak yararlanacak şekilde tasarlanmıştır ve RK3588, RK3566, RV1103, RV1106 ve diğer Rockchip destekli sistemler gibi cihazlarda yapay zeka görevlerinde yüksek performans sağlar.

Link to this sectionRKNN 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.

Link to this sectionRockchip 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

Link to this sectionRKNN'ye Dışa Aktarım: YOLO26 Modelini Dönüştürme#

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

Link to this sectionKurulum#

Gerekli paketleri kurmak için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Kurulum süreci ile ilgili 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 başvur.

Link to this sectionKullanım#

RKNN formatı; Export, Predict ve Validate modlarını destekler. Çıkarım ve doğrulama, Rockchip NPU donanımı üzerinde çalışır. Modelini dışa aktar, ardından çıkarımı çalıştırmak veya doğruluğunu test etmek için dışa aktarılan modeli yükle. Varsayılan olarak RKNN dışa aktarma, FP16 destekli Rockchip hedefleri için kayan noktalı yapı yolunu (quantize=16) kullanır. Kalibrasyon verileriyle INT8 nicemlenmiş bir RKNN modeli oluşturmak için quantize=8 kullan. RKNN dışa aktarma ayrı bir FP32 modu sunmaz; varsayılan FP16 seçeneği FP32 talep etmez.

from ultralytics import YOLO

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

# Export the model to RKNN format
model.export(format="rknn", name="rk3588")  # creates '/yolo26n_rknn_model'

# Export an INT8-quantized RKNN model with calibration data
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")

from ultralytics import YOLO

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

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

from ultralytics import YOLO

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

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Link to this sectionDışa Aktarma Argümanları#

Dışa aktarma süreci hakkında daha fazla ayrıntı için dışa aktarma hakkındaki Ultralytics dokümantasyon sayfasına git.

Link to this sectionDışa Aktarılan YOLO26 RKNN Modellerini Dağıtma#

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

Link to this sectionKurulum#

Gerekli paketleri kurmak için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

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

Link to this sectionGerçek 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.

Link to this sectionKıyaslamalar#

Aşağıdaki YOLO26 kıyaslamaları, Ultralytics ekibi tarafından Rockchip RK3588 tabanlı Radxa Rock 5B üzerinde hız ve doğruluk ölçülerek rknn model formatıyla gerçekleştirilmiştir.

Link to this sectionÖzet#

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 ile Rockchip'in NPU teknolojisinin kombinasyonu, 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 yapay zeka uygulamalarını mümkün kılar.

Kullanımla ilgili daha fazla ayrıntı için RKNN resmi belgelerini ziyaret et.

Ayrıca, diğer Ultralytics YOLO26 entegrasyonları hakkında daha fazla bilgi edinmek istersen entegrasyon kılavuzu sayfamızı ziyaret et. Orada birçok yararlı kaynak ve içgörü bulabilirsin.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO modelimi RKNN formatına nasıl dışa aktarırım?#

Ultralytics YOLO modelini, Ultralytics Python paketi içindeki export() yöntemini veya komut satırı arayüzünü (CLI) kullanarak kolayca RKNN formatına dışa aktarabilirsin. Dışa aktarma işlemi için x86 tabanlı bir Linux bilgisayar kullandığından emin ol; Rockchip gibi ARM64 cihazlar bu işlem için desteklenmemektedir. name bağımsız değişkenini kullanarak rk3588, rk3566 gibi hedef Rockchip platformunu belirtebilirsin. Bu işlem, hızlandırılmış çıkarım için Sinir İşleme Biriminden (NPU) yararlanarak Rockchip cihazında 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")

Link to this sectionRockchip cihazlarında RKNN modellerini kullanmanın faydaları nelerdir?#

RKNN modelleri, Rockchip'in Sinir İşleme Birimlerinin (NPU'lar) donanım hızlandırma yeteneklerinden yararlanmak için özel olarak tasarlanmıştır. Bu optimizasyon, aynı donanım üzerinde ONNX veya TensorFlow Lite gibi genel model formatlarını çalıştırmaya kıyasla önemli ölçüde daha hızlı çıkarım süreleri ve düşük gecikme sağlar. RKNN modellerini kullanmak, cihazın kaynaklarının daha verimli kullanılmasını sağlar; bu da uç cihazlardaki gerçek zamanlı uygulamalar için kritik olan daha düşük güç tüketimi ve daha iyi genel performans ile sonuçlanır. Ultralytics YOLO modellerini RKNN'ye dönüştürerek, RK3588, RK3566 ve diğerleri gibi Rockchip SoC destekli cihazlarda optimum performans elde edebilirsin.

Link to this sectionRKNN modellerini NVIDIA veya Google gibi diğer üreticilerin cihazlarına dağıtabilir miyim?#

RKNN modelleri, Rockchip platformları ve bunlarla entegre NPU'lar için özel olarak optimize edilmiştir. Bir RKNN modelini yazılım emülasyonu kullanarak teknik olarak başka platformlarda çalıştırabilsen de, Rockchip cihazlarının sağladığı donanım hızlandırmasından yararlanamazsın. Diğer platformlarda en iyi performansı elde etmek için, Ultralytics YOLO modellerini NVIDIA GPU'lar için TensorRT veya Google'ın Edge TPU'su için TensorFlow Lite gibi, o platformlar için özel olarak tasarlanmış formatlara aktarman önerilir. Ultralytics, çeşitli donanım hızlandırıcılarla uyumluluğu sağlamak için çok çeşitli formatlara aktarımı destekler.

Link to this sectionRKNN model dağıtımı için hangi Rockchip platformları destekleniyor?#

Ultralytics YOLO'nun RKNN formatına dışa aktarımı; RK3588, RK3576, RK3566, RK3568, RK3562, RK2118 ve RV1126B dahil olmak üzere kayan noktalı RKNN yapılarına sahip Rockchip platformlarını destekler. Ayrıca, RV1103, RV1106, RV1103B ve RV1106B gibi yalnızca INT8 destekleyen hedefler için gerekli olan quantize=8 ile INT8 nicemlenmiş RKNN dışa aktarımını da destekler. Bu platformlar; Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas ve Banana Pi gibi üreticilerin cihazlarında yaygın olarak bulunur ve optimize edilmiş RKNN modellerini tek kartlı bilgisayarlardan endüstriyel sistemlere kadar çok çeşitli Rockchip destekli cihazlarda dağıtmanı sağlar.

Link to this sectionRKNN modellerinin performansı, Rockchip cihazlarındaki diğer formatlarla nasıl karşılaştırılır?#

RKNN modelleri, Rockchip NPU'ları için optimize edildiklerinden, Rockchip cihazlarında genellikle ONNX veya TensorFlow Lite gibi diğer formatlardan daha iyi performans gösterir. Örneğin, Radxa Rock 5B (RK3588) üzerindeki kıyaslamalar, RKNN formatındaki YOLO26n modelinin görüntü başına 65,7 ms 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 yararlanan RKNN modelleri, gecikmeyi en aza indirir ve iş hacmini en üst düzeye çıkarır; bu da onları Rockchip tabanlı uç cihazlardaki gerçek zamanlı uygulamalar için ideal hale getirir.