12 février 2025
Découvrez comment déployer Ultralytics YOLO11 sur Rockchip à l'aide de la boîte à outils RKNN pour une IA de pointe efficace, l'accélération de l'IA et la détection d'objets en temps réel.
L'IA périphérique est un terme à la mode dans la communauté de l'IA, en particulier dans le domaine de la vision par ordinateur. À mesure que les applications basées sur l'IA se développent, il devient de plus en plus nécessaire d'exécuter efficacement les modèles sur des appareils embarqués dont la puissance et les ressources informatiques sont limitées.
Par exemple, les drones utilisent Vision AI pour la navigation en temps réel, les caméras intelligentes détectent les objets instantanément et les systèmes d'automatisation industrielle effectuent un contrôle de qualité sans dépendre de l'informatique en nuage. Ces applications nécessitent un traitement rapide et efficace de l'IA directement sur les appareils périphériques afin de garantir des performances en temps réel et une faible latence. Cependant, il n'est pas toujours facile d'exécuter des modèles d'IA sur des appareils périphériques. Les modèles d'IA nécessitent souvent plus de puissance et de mémoire que ce que de nombreux appareils périphériques peuvent supporter.
La boîte à outils RKNN de Rockchip aide à résoudre ce problème en optimisant les modèles d'apprentissage profond pour les appareils alimentés par Rockchip. Il utilise des unités de traitement neuronal (NPU) dédiées pour accélérer l'inférence, en réduisant la latence et la consommation d'énergie par rapport au traitement par CPU ou GPU.
La communauté Vision AI était impatiente d'exécuter Ultralytics YOLO11 sur des appareils basés sur Rockchip, et nous vous avons entendus. Nous avons ajouté la prise en charge de l 'exportation de YOLO11 au format de modèle RKNN. Dans cet article, nous verrons comment fonctionne l'exportation vers RKNN et pourquoi le déploiement de YOLO11 sur des appareils équipés de Rockchip change la donne.
Rockchip est une société qui conçoit des systèmes sur puces (SoC) - des processeurs minuscules mais puissants qui font fonctionner de nombreux appareils intégrés. Ces puces combinent un CPU, un GPU et une unité de traitement neuronal (NPU) pour tout gérer, des tâches informatiques générales aux applications Vision AI qui reposent sur la détection d'objets et le traitement d'images.
Les SoC de Rockchip sont utilisés dans une grande variété de dispositifs, notamment les ordinateurs monocartes (SBC), les cartes de développement, les systèmes d'intelligence artificielle industriels et les caméras intelligentes. De nombreux fabricants de matériel réputés, tels que Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas et Banana Pi, construisent des appareils équipés de SoC de Rockchip. Ces cartes sont populaires pour les applications d'intelligence artificielle et de vision par ordinateur, car elles offrent un équilibre entre performance, efficacité énergétique et prix abordable.
Pour aider les modèles d'intelligence artificielle à fonctionner efficacement sur ces appareils, Rockchip propose la boîte à outils RKNN (Rockchip Neural Network). Il permet aux développeurs de convertir et d'optimiser les modèles d'apprentissage profond pour utiliser les unités de traitement neuronal (NPU) de Rockchip.
Les modèles RKNN sont optimisés pour une inférence à faible latence et une utilisation efficace de l'énergie. En convertissant les modèles en RKNN, les développeurs peuvent obtenir des vitesses de traitement plus rapides, une consommation d'énergie réduite et une efficacité accrue sur les appareils alimentés par Rockchip.
Voyons de plus près comment les modèles RKNN améliorent les performances de l'IA sur les appareils équipés d'une puce Rockchip.
Contrairement aux CPU et aux GPU, qui gèrent un large éventail de tâches informatiques, les NPU de Rockchip sont conçues spécifiquement pour l'apprentissage en profondeur. En convertissant les modèles d'IA au format RKNN, les développeurs peuvent exécuter des inférences directement sur le NPU. Les modèles RKNN sont donc particulièrement utiles pour les tâches de vision artificielle en temps réel, pour lesquelles un traitement rapide et efficace est essentiel.
Les NPU sont plus rapides et plus efficaces que les CPU et les GPU pour les tâches d'intelligence artificielle, car elles sont conçues pour traiter en parallèle les calculs des réseaux neuronaux. Alors que les CPU traitent les tâches une étape à la fois et que les GPU répartissent les charges de travail sur plusieurs cœurs, les NPU sont optimisées pour effectuer plus efficacement les calculs spécifiques à l'IA.
Par conséquent, les modèles RKNN s'exécutent plus rapidement et consomment moins d'énergie, ce qui les rend idéaux pour les appareils alimentés par batterie, les caméras intelligentes, l'automatisation industrielle et d'autres applications d'IA de pointe qui nécessitent une prise de décision en temps réel.
Les modèles YOLO (You Only Look Once) d'Ultralytics sont conçus pour des tâches de vision artificielle en temps réel telles que la détection d'objets, la segmentation d'instances et la classification d'images. Ils sont réputés pour leur rapidité, leur précision et leur efficacité, et sont largement utilisés dans des secteurs tels que l'agriculture, la fabrication, les soins de santé et les systèmes autonomes.
Ces modèles se sont considérablement améliorés au fil du temps. Par exemple, Ultralytics YOLOv5 a rendu la détection d'objets plus facile à utiliser avec PyTorch. Ultralytics YOLOv8 a ensuite ajouté de nouvelles fonctionnalités telles que l'estimation de la pose et la classification des images. Aujourd'hui, YOLO11 va encore plus loin en augmentant la précision tout en utilisant moins de ressources. En fait, YOLO11m est plus performant sur le jeu de données COCO tout en utilisant 22 % de paramètres en moins que YOLOv8m, ce qui le rend à la fois plus précis et plus efficace.
Les modèles YOLO d'Ultralytics prennent également en charge l'exportation vers plusieurs formats, ce qui permet un déploiement flexible sur différentes plateformes. Ces formats incluent ONNX, TensorRT, CoreML et OpenVINO, donnant aux développeurs la liberté d'optimiser les performances en fonction de leur matériel cible.
Avec la prise en charge supplémentaire de l'exportation de YOLO11 vers le format de modèle RKNN, YOLO11 peut désormais tirer parti des NPU de Rockchip. Le plus petit modèle, YOLO11n au format RKNN, atteint un temps d'inférence impressionnant de 99,5 ms par image, ce qui permet un traitement en temps réel, même sur les appareils embarqués.
Actuellement, les modèles de détection d'objets de YOLO11 peuvent être exportés au format RKNN. Restez à l'écoute - nous travaillons à l'ajout de la prise en charge des autres tâches de vision par ordinateur et de la quantification INT8 dans les prochaines mises à jour.
L'exportation de YOLO11 vers le format RKNN est un processus simple. Vous pouvez charger votre modèle YOLO11 entraîné, spécifier la plate-forme Rockchip cible et le convertir au format RKNN en quelques lignes de code. Le format RKNN est compatible avec divers SoC Rockchip, notamment RK3588, RK3566 et RK3576, ce qui garantit une prise en charge matérielle étendue.
Une fois exporté, le modèle RKNN peut être déployé sur les appareils Rockchip. Pour déployer le modèle, il vous suffit de charger le fichier RKNN exporté sur votre appareil Rockchip et d'exécuter l'inférence - le processus d'utilisation du modèle d'IA entraîné pour analyser de nouvelles images ou vidéos et détecter des objets en temps réel. Quelques lignes de code suffisent pour commencer à identifier des objets à partir d'images ou de flux vidéo.
Pour mieux comprendre où YOLO11 peut être déployé sur les appareils équipés de Rockchip dans le monde réel, examinons quelques applications clés de l'intelligence artificielle.
Les processeurs Rockchip sont largement utilisés dans les tablettes Android, les cartes de développement et les systèmes d'IA industriels. Grâce à la prise en charge d'Android, de Linux et de Python, vous pouvez facilement créer et déployer des solutions Vision AI pour un grand nombre d'industries.
Les tablettes robustes sont une application courante qui implique l'exécution de YOLO11 sur des appareils alimentés par Rockchip. Il s'agit de tablettes durables et performantes conçues pour les environnements difficiles tels que les entrepôts, les chantiers de construction et les environnements industriels. Ces tablettes peuvent tirer parti de la détection d'objets pour améliorer l'efficacité et la sécurité.
Par exemple, dans le domaine de la logistique des entrepôts, les travailleurs peuvent utiliser une tablette équipée d'une puce Rockchip et de YOLO11 pour scanner et détecter automatiquement les stocks, ce qui réduit l'erreur humaine et accélère les délais de traitement. De même, sur les chantiers de construction, ces tablettes peuvent être utilisées pour détecter si les travailleurs portent les équipements de sécurité requis, comme les casques et les gilets, ce qui aide les entreprises à faire respecter les réglementations et à prévenir les accidents.
En ce qui concerne la fabrication et l'automatisation, les cartes industrielles alimentées par Rockchip peuvent jouer un rôle important dans le contrôle de la qualité et la surveillance des processus. Une carte industrielle est un module informatique compact et performant conçu pour les systèmes embarqués en milieu industriel. Ces cartes comprennent généralement des processeurs, de la mémoire, des interfaces E/S et des options de connectivité qui peuvent s'intégrer à des capteurs, des caméras et des machines automatisées.
L'exécution des modèles YOLO11 sur ces cartes permet d'analyser les lignes de production en temps réel, de repérer instantanément les problèmes et d'améliorer l'efficacité. Par exemple, dans la construction automobile, un système d'IA utilisant du matériel Rockchip et YOLO11 peut détecter les rayures, les pièces mal alignées ou les défauts de peinture au fur et à mesure que les voitures avancent sur la chaîne de montage. En identifiant ces défauts en temps réel, les fabricants peuvent réduire le gaspillage, diminuer les coûts de production et garantir des normes de qualité plus élevées avant que les véhicules n'atteignent les clients.
Les dispositifs basés sur Rockchip offrent un bon équilibre entre performance, coût et efficacité, ce qui en fait un excellent choix pour le déploiement de YOLO11 dans les applications d'intelligence artificielle de pointe.
Voici quelques avantages de l'exécution de YOLO11 sur des appareils basés sur la puce Rockchip :
Ultralytics YOLO11 peut fonctionner efficacement sur les appareils basés sur Rockchip en tirant parti de l'accélération matérielle et du format RKNN. Cela permet de réduire le temps d'inférence et d'améliorer les performances, ce qui le rend idéal pour les tâches de vision par ordinateur en temps réel et les applications d'intelligence artificielle de pointe.
La boîte à outils RKNN fournit des outils d'optimisation clés tels que la quantification et le réglage fin, garantissant que les modèles YOLO11 fonctionnent bien sur les plates-formes Rockchip. L'optimisation des modèles pour un traitement efficace sur l'appareil sera essentielle au fur et à mesure que l'adoption de l'intelligence artificielle se développera. Avec les bons outils et le bon matériel, les développeurs peuvent ouvrir de nouvelles possibilités pour les solutions de vision par ordinateur dans diverses industries.
Rejoignez notre communauté et explorez notre dépôt GitHub pour en savoir plus sur l'IA. Découvrez comment la vision par ordinateur dans l'agriculture et l' IA dans les soins de santé stimulent l'innovation en visitant nos pages de solutions. Consultez également nos options de licence pour commencer à développer vos solutions Vision AI dès aujourd'hui !
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
TR
VI
AR.webp)
