Ultralytics YOLO11 trên NVIDIA Jetson sử dụng DeepStream SDK và TensorRT

Xem: Cách chạy nhiều luồng với DeepStream SDK trên Jetson Nano bằng cách sử dụng Ultralytics YOLO11

Hướng dẫn toàn diện này cung cấp hướng dẫn chi tiết để triển khai Ultralytics YOLO11 trên các thiết bị NVIDIA Jetson sử dụng DeepStream SDK và TensorRT . Ở đây chúng tôi sử dụng TensorRT để tối đa hóa hiệu suất suy luận trên nền tảng Jetson.

Là gì NVIDIA DeepStream?

DeepStream SDK của NVIDIA là bộ công cụ phân tích luồng hoàn chỉnh dựa trên GStreamer để xử lý đa cảm biến dựa trên AI, hiểu video, âm thanh và hình ảnh. Bộ công cụ này lý tưởng cho các nhà phát triển AI về thị giác, đối tác phần mềm, công ty khởi nghiệp và OEM xây dựng các ứng dụng và dịch vụ IVA (Phân tích video thông minh). Giờ đây, bạn có thể tạo các đường ống xử lý luồng kết hợp mạng nơ-ron và các tác vụ xử lý phức tạp khác như theo dõi, mã hóa/giải mã video và kết xuất video. Các đường ống này cho phép phân tích dữ liệu video, hình ảnh và cảm biến theo thời gian thực. Hỗ trợ đa nền tảng của DeepStream mang đến cho bạn cách nhanh hơn, dễ dàng hơn để phát triển các ứng dụng và dịch vụ AI về thị giác tại chỗ, tại biên và trên đám mây.

Điều kiện tiên quyết

Trước khi bạn bắt đầu làm theo hướng dẫn này:

• Truy cập tài liệu của chúng tôi, Hướng dẫn bắt đầu nhanh: NVIDIA Jetson với Ultralytics YOLO11 để thiết lập NVIDIA Thiết bị Jetson với Ultralytics YOLO11

• Cài đặt DeepStream SDK theo phiên bản JetPack

  • Đối với JetPack 4.6.4, cài đặt DeepStream 6.0.1
  • Đối với JetPack 5.1.3, cài đặt DeepStream 6.3

Cấu hình DeepStream cho YOLO11

Ở đây chúng tôi đang sử dụng marcosluciaops / DeepStream-Yolo Kho lưu trữ GitHub bao gồm NVIDIA Hỗ trợ SDK DeepStream cho YOLO Mô hình. Chúng tôi đánh giá cao những nỗ lực của Marcoslucianops vì những đóng góp của anh ấy!

1. Cài đặt dependencies

   pip install cmake
   pip install onnxsim
   

2. Sao chép kho lưu trữ sau

   git clone https://github.com/marcoslucianops/DeepStream-Yolo
   cd DeepStream-Yolo
   

3. Tải về Ultralytics Mô hình phát hiện YOLO11 (.pt) theo lựa chọn của bạn từ các bản phát hành YOLO11 . Ở đây chúng tôi sử dụng yolov8s .pt .

   wget https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt
   

   Ghi

   Bạn cũng có thể sử dụng mô hình YOLO11 được đào tạo tùy chỉnh .

4. Chuyển đổi mô hình thành ONNX

   python3 utils/export_yoloV8.py -w yolov8s.pt
   

   Chuyển các đối số dưới đây đến lệnh trên

   Đối với DeepStream 6.0.1, sử dụng opset 12 hoặc thấp hơn. Đối lập mặc định là 16.

   --opset 12
   

   Để thay đổi kích cỡ suy luận (mặc định: 640)

   -s SIZE
   --size SIZE
   -s HEIGHT WIDTH
   --size HEIGHT WIDTH
   

   Ví dụ cho 1280:

   -s 1280
   or
   -s 1280 1280
   

   Để đơn giản hóa ONNX mô hình (DeepStream > = 6.0)

   --simplify
   

   Để sử dụng kích thước lô động (DeepStream >= 6.1)

   --dynamic
   

   Để sử dụng kích thước lô tĩnh (ví dụ cho batch-size = 4)

   --batch 4
   

5. Đặt CUDA phiên bản theo phiên bản JetPack được cài đặt

   Đối với JetPack 4.6.4:

   export CUDA_VER=10.2
   

   Đối với JetPack 5.1.3:

   export CUDA_VER=11.4
   

6. Biên dịch thư viện

   make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo
   

7. Chỉnh sửa config_infer_primary_yoloV8.txt tệp theo mô hình của bạn (đối với YOLOv8s với 80 lớp)

   [property]
   ...
   onnx-file=yolov8s.onnx
   ...
   num-detected-classes=80
   ...
   

8. Chỉnh sửa deepstream_app_config tệp

   ...
   [primary-gie]
   ...
   config-file=config_infer_primary_yoloV8.txt
   

9. Bạn cũng có thể thay đổi nguồn video trong deepstream_app_config tệp. Ở đây một tệp video mặc định được tải

   ...
   [source0]
   ...
   uri=file:///opt/nvidia/deepstream/deepstream/samples/streams/sample_1080p_h264.mp4
   

Chạy suy luận

deepstream-app -c deepstream_app_config.txt

Hiệu chuẩn INT8

Nếu bạn muốn sử dụng độ chính xác INT8 để suy luận, bạn cần làm theo các bước dưới đây

1. Cài OPENCV biến môi trường

   export OPENCV=1
   

2. Biên dịch thư viện

   make -C nvdsinfer_custom_impl_Yolo clean && make -C nvdsinfer_custom_impl_Yolo
   

3. Đối với tập dữ liệu COCO, hãy tải xuống Val2017, trích xuất và di chuyển đến DeepStream-Yolo thư mục

4. Tạo một thư mục mới cho hình ảnh hiệu chuẩn

   mkdir calibration
   

5. Chạy như sau để chọn 1000 hình ảnh ngẫu nhiên từ tập dữ liệu COCO để chạy hiệu chuẩn

   for jpg in $(ls -1 val2017/*.jpg | sort -R | head -1000); do \
       cp ${jpg} calibration/; \
   done
   

   Ghi

   NVIDIA khuyến nghị ít nhất 500 hình ảnh để có độ chính xác tốt. Trong ví dụ này, 1000 hình ảnh được chọn để có độ chính xác tốt hơn (nhiều hình ảnh hơn = độ chính xác hơn). Bạn có thể đặt từ head -1000 . Ví dụ, đối với 2000 hình ảnh, head -2000 . Quá trình này có thể mất nhiều thời gian.

6. Tạo calibration.txt với tất cả các hình ảnh đã chọn

   realpath calibration/*jpg > calibration.txt
   

7. Đặt biến môi trường

   export INT8_CALIB_IMG_PATH=calibration.txt
   export INT8_CALIB_BATCH_SIZE=1
   

   Ghi

   Giá trị INT8_CALIB_BATCH_SIZE cao hơn sẽ dẫn đến độ chính xác cao hơn và tốc độ hiệu chuẩn nhanh hơn. Đặt nó theo bạn GPU trí nhớ.

8. Cập nhật config_infer_primary_yoloV8.txt tệp

   Từ

   ...
   model-engine-file=model_b1_gpu0_fp32.engine
   #int8-calib-file=calib.table
   ...
   network-mode=0
   ...
   

   Đến

   ...
   model-engine-file=model_b1_gpu0_int8.engine
   int8-calib-file=calib.table
   ...
   network-mode=1
   ...
   

Chạy suy luận

deepstream-app -c deepstream_app_config.txt

Thiết lập MultiStream

Để thiết lập nhiều luồng trong một ứng dụng deepstream, bạn có thể thực hiện các thay đổi sau đối với deepstream_app_config.txt tệp

1. Thay đổi các hàng và cột để xây dựng hiển thị lưới theo số lượng luồng bạn muốn có. Ví dụ: đối với 4 luồng, chúng ta có thể thêm 2 hàng và 2 cột.

   [tiled-display]
   rows=2
   columns=2
   

2. Cài num-sources=4 và thêm uri của tất cả 4 luồng

   [source0]
   enable=1
   type=3
   uri=<path_to_video>
   uri=<path_to_video>
   uri=<path_to_video>
   uri=<path_to_video>
   num-sources=4
   

Chạy suy luận

deepstream-app -c deepstream_app_config.txt

Kết quả điểm chuẩn

Bảng sau đây tóm tắt cách thức YOLOv8s Các mô hình hoạt động ở các mức khác nhau TensorRT Mức độ chính xác với kích thước đầu vào 640x640 bật NVIDIA Máy bay phản lực Orin NX 16GB.

Lời cảm ơn

Hướng dẫn này ban đầu được tạo ra bởi những người bạn của chúng tôi tại Seeed Studio, Lakshantha và Elaine.

FAQ

Làm thế nào để tôi thiết lập Ultralytics YOLO11 trên một NVIDIA Thiết bị Jetson?

Để thiết lập Ultralytics YOLO11 trên thiết bị NVIDIA Jetson , trước tiên bạn cần cài đặt DeepStream SDK tương thích với phiên bản JetPack của bạn. Làm theo hướng dẫn từng bước trong Hướng dẫn bắt đầu nhanh của chúng tôi để cấu hình NVIDIA Jetson để triển khai YOLO11.

Lợi ích của việc sử dụng là gì? TensorRT với YOLO11 trên NVIDIA Jetson à?

Sử dụng TensorRT với YOLO11 tối ưu hóa mô hình để suy luận, giảm đáng kể độ trễ và cải thiện thông lượng trên NVIDIA Thiết bị Jetson. TensorRT cung cấp suy luận học sâu hiệu suất cao, độ trễ thấp thông qua hợp nhất lớp, hiệu chuẩn chính xác và tự động điều chỉnh hạt nhân. Điều này dẫn đến thực thi nhanh hơn và hiệu quả hơn, đặc biệt hữu ích cho các ứng dụng thời gian thực như phân tích video và máy tự động.

Tôi có thể chạy được không? Ultralytics YOLO11 với DeepStream SDK trên nhiều NVIDIA Phần cứng Jetson?

Vâng, hướng dẫn triển khai Ultralytics YOLO11 với DeepStream SDK và TensorRT tương thích trên toàn bộ NVIDIA Dòng sản phẩm Jetson. Bao gồm các thiết bị như Jetson Orin NX 16GB với JetPack 5.1.3 và Jetson Nano 4GB với JetPack 4.6.4 . Tham khảo phần Cấu hình DeepStream cho YOLO11 để biết các bước chi tiết.

Làm thế nào tôi có thể chuyển đổi mô hình YOLO11 sang ONNX dành cho DeepStream?

Để chuyển đổi mô hình YOLO11 thành ONNX định dạng để triển khai với DeepStream, sử dụng utils/export_yoloV8.py kịch bản từ DeepStream-Yolo Kho.

Đây là một lệnh ví dụ:

python3 utils/export_yoloV8.py -w yolov8s.pt --opset 12 --simplify

Để biết thêm chi tiết về chuyển đổi mô hình, hãy xem phần xuất mô hình của chúng tôi.

Tiêu chuẩn hiệu suất cho là gì? YOLO TRÊN NVIDIA Jetson Orin NX là gì?

Hiệu suất của các mô hình YOLO11 trên NVIDIA Jetson Orin NX 16GB thay đổi dựa trên TensorRT mức độ chính xác. Ví dụ, YOLOv8s mô hình đạt được:

• Độ chính xác FP32: 15,63 ms/im, 64 FPS
• Độ chính xác FP16: 7,94 ms / im, 126 khung hình / giây
• Độ chính xác INT8: 5,53 ms / im, 181 khung hình / giây

Những chuẩn mực này nhấn mạnh hiệu quả và khả năng sử dụng TensorRT -tối ưu hóa các mô hình YOLO11 trên NVIDIA Phần cứng Jetson. Để biết thêm chi tiết, hãy xem phần Kết quả chuẩn của chúng tôi.

📅 Được tạo cách đây 4 tháng ✏️ Đã cập nhật cách đây 1 tháng

Ý kiến