12 febbraio 2025
Scoprite come implementare Ultralytics YOLO11 su Rockchip utilizzando il Toolkit RKNN per un'efficiente Edge AI, l'accelerazione AI e il rilevamento di oggetti in tempo reale.
Un termine molto in voga nella comunità dell'IA è l'edge AI, soprattutto quando si tratta di computer vision. Con la crescita delle applicazioni basate sull'IA, aumenta la necessità di eseguire modelli in modo efficiente su dispositivi embedded con risorse di calcolo e alimentazione limitate.
Ad esempio, i droni utilizzano Vision AI per la navigazione in tempo reale, le telecamere intelligenti detect istantaneamente gli oggetti e i sistemi di automazione industriale eseguono il controllo della qualità senza affidarsi al cloud computing. Queste applicazioni richiedono un'elaborazione dell'intelligenza artificiale rapida ed efficiente direttamente sui dispositivi edge per garantire prestazioni in tempo reale e bassa latenza. Tuttavia, l'esecuzione di modelli di intelligenza artificiale su dispositivi edge non è sempre facile. I modelli di intelligenza artificiale spesso richiedono una potenza e una memoria superiori a quelle che molti dispositivi edge sono in grado di gestire.
Il Toolkit RKNN di Rockchip aiuta a risolvere questo problema ottimizzando i modelli di deep learning per i dispositivi alimentati da Rockchip. Utilizza unità di elaborazione neurale (NPU) dedicate per accelerare l'inferenza, riducendo la latenza e il consumo energetico rispetto all'elaborazione CPU o GPU .
La comunità di Vision AI è stata ansiosa di eseguire Ultralytics YOLO11 su dispositivi basati su Rockchip, e noi l'abbiamo ascoltata. Abbiamo aggiunto il supporto per l'esportazione di YOLO11 in formato modello RKNN. In questo articolo, analizzeremo come funziona l'esportazione in RKNN e perché l'implementazione di YOLO11 su dispositivi Rockchip è una svolta epocale.
Rockchip è un'azienda che progetta system-on-chip (SoC), processori minuscoli ma potenti che gestiscono molti dispositivi embedded. Questi chip combinano una CPU, una GPU e un'unità di elaborazione neurale (NPU) per gestire qualsiasi cosa, dalle attività di calcolo generali alle applicazioni Vision AI che si basano sul rilevamento di oggetti e sull'elaborazione di immagini.
I SoC Rockchip sono utilizzati in una varietà di dispositivi, tra cui single-board computer (SBC), schede di sviluppo, sistemi AI industriali e telecamere intelligenti. Molti noti produttori di hardware, Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas e Banana Pi, costruiscono dispositivi alimentati da SoC Rockchip. Queste schede sono popolari per le applicazioni di edge AI e computer vision perché offrono un equilibrio tra prestazioni, efficienza energetica e convenienza.
Per aiutare i modelli AI a funzionare in modo efficiente su questi dispositivi, Rockchip fornisce l'RKNN (Rockchip Neural Network) Toolkit. Consente agli sviluppatori di convertire e ottimizzare i modelli di deep learning per utilizzare le unità di elaborazione neurale (NPU) di Rockchip.
I modelli RKNN sono ottimizzati per un'inferenza a bassa latenza e un utilizzo efficiente dell'energia. Convertendo i modelli in RKNN, gli sviluppatori possono ottenere velocità di elaborazione più elevate, un consumo energetico ridotto e una maggiore efficienza sui dispositivi basati su Rockchip.
Analizziamo più da vicino come i modelli RKNN migliorano le prestazioni dell'AI sui dispositivi abilitati per Rockchip.
A differenza delle CPU e delle GPU, che gestiscono un'ampia gamma di attività di calcolo, le NPU di Rockchip sono progettate specificamente per il deep learning. Convertendo i modelli AI in formato RKNN, gli sviluppatori possono eseguire inferenze direttamente sulla NPU. Ciò rende i modelli RKNN particolarmente utili per attività di computer vision in tempo reale, dove è essenziale un'elaborazione rapida ed efficiente.
Le NPU sono più veloci ed efficienti delle CPU e delle GPU per le attività di AI perché sono costruite per gestire i calcoli delle reti neurali in parallelo. Mentre le CPU elaborano le attività un passo alla volta e le GPU distribuiscono i carichi di lavoro su più core, le NPU sono ottimizzate per eseguire calcoli specifici per l'AI in modo più efficiente.
Di conseguenza, i modelli RKNN funzionano più velocemente e utilizzano meno energia, rendendoli ideali per dispositivi alimentati a batteria, telecamere intelligenti, automazione industriale e altre applicazioni edge AI che richiedono un processo decisionale in tempo reale.
I modelliYOLO (You Only Look Once)Ultralytics sono progettati per attività di visione artificiale in tempo reale, come il rilevamento di oggetti, la segmentazione di istanze e la classificazione di immagini. Sono noti per la loro velocità, precisione ed efficienza e sono ampiamente utilizzati in settori quali l'agricoltura, la produzione, la sanità e i sistemi autonomi.
Questi modelli sono migliorati notevolmente nel tempo. Ad esempio, Ultralytics YOLOv5 ha reso il rilevamento degli oggetti più facile da usare con PyTorch. Poi, Ultralytics YOLOv8 ha aggiunto nuove funzionalità come la stima della posa e la classificazione delle immagini. Ora YOLO11 si spinge oltre, aumentando l'accuratezza e utilizzando meno risorse. Infatti, YOLO11m ha ottenuto risultati migliori sul set di dati COCO utilizzando il 22% di parametri in meno rispetto a YOLOv8m, rendendolo più preciso ed efficiente.
I modelli Ultralytics YOLO supportano anche l 'esportazione in più formati, consentendo una distribuzione flessibile su diverse piattaforme. Questi formati includono ONNX, TensorRT, CoreML e OpenVINO, dando agli sviluppatori la libertà di ottimizzare le prestazioni in base all'hardware di destinazione.
Con l'aggiunta del supporto per l'esportazione di YOLO11 in formato modello RKNN, YOLO11 può ora sfruttare le NPU di Rockchip. Il modello più piccolo, YOLO11n in formato RKNN, raggiunge un tempo di inferenza impressionante di 99,5 ms per immagine, consentendo l'elaborazione in tempo reale anche su dispositivi embedded.
Attualmente, i modelli di rilevamento degli oggetti YOLO11 possono essere esportati nel formato RKNN. Inoltre, restate sintonizzati: stiamo lavorando per aggiungere il supporto per le altre attività di computer vision e per la quantizzazione INT8 nei prossimi aggiornamenti.
L'esportazione di YOLO11 in formato RKNN è un processo semplice. È possibile caricare il modello YOLO11 addestrato su misura, specificare la piattaforma Rockchip di destinazione e convertirlo in formato RKNN con poche righe di codice. Il formato RKNN è compatibile con diversi SoC Rockchip, tra cui RK3588, RK3566 e RK3576, garantendo un ampio supporto hardware.
Una volta esportato, il modello RKNN può essere distribuito sui dispositivi Rockchip. Per distribuire il modello, è sufficiente caricare il file RKNN esportato sul dispositivo Rockchip ed eseguire l'inferenza, ovvero il processo di utilizzo del modello AI addestrato per analizzare nuove immagini o video e detect oggetti in tempo reale. Bastano poche righe di codice per iniziare a identificare oggetti da immagini o flussi video.
Per avere un'idea più precisa di come YOLO11 possa essere utilizzato sui dispositivi Rockchip nel mondo reale, vediamo alcune applicazioni chiave di intelligenza artificiale.
I processori Rockchip sono ampiamente utilizzati nei tablet Android, nelle schede di sviluppo e nei sistemi AI industriali. Grazie al supporto per Android, Linux e Python, è possibile realizzare e distribuire facilmente soluzioni Vision AI-driven per una varietà di settori.
Un'applicazione comune che prevede l'esecuzione di YOLO11 su dispositivi alimentati da Rockchip è quella dei tablet rugged. Si tratta di tablet resistenti e ad alte prestazioni, progettati per ambienti difficili come magazzini, cantieri e ambienti industriali. Questi tablet possono sfruttare il rilevamento degli oggetti per migliorare l'efficienza e la sicurezza.
Ad esempio, nella logistica di magazzino, i lavoratori possono utilizzare un tablet Rockchip con YOLO11 per scansionare e detect automaticamente detect 'inventario, riducendo l'errore umano e accelerando i tempi di elaborazione. Analogamente, nei cantieri edili, questi tablet possono essere utilizzati per detect se i lavoratori indossano i dispositivi di sicurezza richiesti, come elmetti e giubbotti, aiutando le aziende a far rispettare le normative e a prevenire gli incidenti.
Per quanto riguarda la produzione e l'automazione, le schede industriali basate su Rockchip possono svolgere un ruolo importante nel controllo qualità e nel monitoraggio dei processi. Una scheda industriale è un modulo di calcolo compatto ad alte prestazioni progettato per sistemi embedded in ambienti industriali. Queste schede includono in genere processori, memoria, interfacce I/O e opzioni di connettività che possono integrarsi con sensori, telecamere e macchinari automatizzati.
L'esecuzione di modelli YOLO11 su queste schede consente di analizzare le linee di produzione in tempo reale, individuando immediatamente i problemi e migliorando l'efficienza. Ad esempio, nella produzione di automobili, un sistema di intelligenza artificiale che utilizza l'hardware Rockchip e YOLO11 può detect graffi, parti disallineate o difetti di verniciatura mentre le auto si muovono lungo la catena di montaggio. Identificando questi difetti in tempo reale, i produttori possono ridurre gli sprechi, i costi di produzione e garantire standard di qualità più elevati prima che i veicoli raggiungano i clienti.
I dispositivi basati su Rockchip offrono un buon equilibrio tra prestazioni, costi ed efficienza, il che li rende un'ottima scelta per l'implementazione di YOLO11 nelle applicazioni di IA edge.
Ecco alcuni vantaggi dell'esecuzione di YOLO11 su dispositivi basati su Rockchip:
Ultralytics YOLO11 può essere eseguito in modo efficiente su dispositivi basati su Rockchip sfruttando l'accelerazione hardware e il formato RKNN. Questo riduce i tempi di inferenza e migliora le prestazioni, rendendolo ideale per le attività di computer vision in tempo reale e per le applicazioni di intelligenza artificiale.
Il Toolkit RKNN fornisce strumenti di ottimizzazione chiave come la quantizzazione e la messa a punto, assicurando che i modelli YOLO11 funzionino bene sulle piattaforme Rockchip. L'ottimizzazione dei modelli per un'elaborazione efficiente sul dispositivo sarà essenziale con l'aumento dell'adozione dell'intelligenza artificiale. Con gli strumenti e l'hardware giusti, gli sviluppatori possono aprire nuove possibilità per le soluzioni di computer vision in vari settori.
Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull'AI. Scopri come la computer vision in agricoltura e l'AI nel settore sanitario stanno guidando l'innovazione visitando le nostre pagine delle soluzioni. Inoltre, dai un'occhiata alle nostre opzioni di licenza per iniziare subito a creare le tue soluzioni di Vision AI!
.webp)