Implementazione di Ultralytics YOLO11 su Rockchip per un'Edge AI efficiente

Una recente parola d'ordine nella community AI è edge AI, specialmente quando si parla di visione artificiale. Con la crescita delle applicazioni basate sull'IA, aumenta la necessità di eseguire modelli in modo efficiente su dispositivi embedded con risorse energetiche e di calcolo limitate.

Ad esempio, i droni utilizzano la visione artificiale per la navigazione in tempo reale, le smart camera rilevano gli oggetti istantaneamente e i sistemi di automazione industriale eseguono il controllo qualità senza affidarsi al cloud computing. Queste applicazioni richiedono un'elaborazione IA rapida ed efficiente direttamente sui dispositivi edge per garantire prestazioni in tempo reale e bassa latenza. Tuttavia, eseguire modelli IA su dispositivi edge non è sempre facile. I modelli IA richiedono spesso più potenza e memoria di quanto molti dispositivi edge possano gestire.

Il kit di strumenti 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 tramite CPU o GPU.

La community di Vision AI desiderava da tempo eseguire Ultralytics YOLO11 su dispositivi basati su Rockchip e ti abbiamo ascoltato. Abbiamo aggiunto il supporto per l'esportazione di YOLO11 nel formato modello RKNN. In questo articolo, esploreremo come funziona l'esportazione in RKNN e perché distribuire YOLO11 su dispositivi alimentati da Rockchip rappresenta una svolta.

Link to this sectionCosa sono Rockchip e il kit di strumenti RKNN?#

Rockchip è un'azienda che progetta system-on-chip (SoC), processori minuscoli ma potenti che alimentano molti dispositivi embedded. Questi chip combinano CPU, GPU e un'unità di elaborazione neurale (NPU) per gestire tutto, dai compiti di calcolo generali alle applicazioni di visione artificiale che si basano sul rilevamento di oggetti e sull'elaborazione delle immagini.

I SoC Rockchip vengono utilizzati in una varietà di dispositivi, inclusi single-board computer (SBC), schede di sviluppo, sistemi IA industriali e smart camera. Molti noti produttori di hardware, come Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas e Banana Pi, costruiscono dispositivi alimentati da SoC Rockchip. Queste schede sono popolari per edge AI e applicazioni di visione artificiale perché offrono un equilibrio tra prestazioni, efficienza energetica e convenienza.

Fig 1. Un esempio di dispositivo basato su Rockchip.

Per aiutare i modelli IA a funzionare in modo efficiente su questi dispositivi, Rockchip fornisce il kit di strumenti RKNN (Rockchip Neural Network). Esso 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 uso 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 alimentati da Rockchip.

Link to this sectionI modelli RKNN sono ottimizzati#

Diamo un'occhiata più da vicino a come i modelli RKNN migliorano le prestazioni dell'IA su dispositivi abilitati per Rockchip.

A differenza di CPU e GPU, che gestiscono un'ampia gamma di attività di calcolo, le NPU di Rockchip sono progettate specificamente per il deep learning. Convertendo i modelli IA nel formato RKNN, gli sviluppatori possono eseguire inferenze direttamente sulla NPU. Questo rende i modelli RKNN particolarmente utili per attività di visione artificiale in tempo reale, dove un'elaborazione rapida ed efficiente è essenziale.

Le NPU sono più veloci ed efficienti di CPU e GPU per le attività di IA 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'IA in modo più efficiente.

Di conseguenza, i modelli RKNN vengono eseguiti più velocemente e consumano meno energia, rendendoli ideali per dispositivi alimentati a batteria, smart camera, automazione industriale e altre applicazioni di edge AI che richiedono un processo decisionale in tempo reale.

Link to this sectionPanoramica dei modelli Ultralytics YOLO#

I modelli Ultralytics YOLO (You Only Look Once) sono progettati per attività di visione artificiale in tempo reale come rilevamento di oggetti, segmentazione di istanze e classificazione di immagini. Sono noti per la loro velocità, precisione ed efficienza e sono ampiamente utilizzati in settori come agricoltura, produzione, sanità e sistemi autonomi.

Questi modelli sono migliorati notevolmente nel tempo. Ad esempio, Ultralytics YOLOv5 ha reso il rilevamento di oggetti più facile da usare con PyTorch. Successivamente, Ultralytics YOLOv8 ha aggiunto nuove funzionalità come la stima della posa e la classificazione delle immagini. Ora, YOLO11 va oltre, aumentando la precisione pur utilizzando meno risorse. Infatti, YOLO11m offre prestazioni migliori sul dataset COCO pur utilizzando il 22% di parametri in meno rispetto a YOLOv8m, rendendolo sia più preciso che più efficiente.

Fig 2. Rilevamento di oggetti tramite YOLO11.

I modelli Ultralytics YOLO supportano anche l'esportazione in molteplici formati, consentendo una distribuzione flessibile su diverse piattaforme. Questi formati includono ONNX, TensorRT, CoreML e OpenVINO, offrendo agli sviluppatori la libertà di ottimizzare le prestazioni in base al loro hardware di destinazione.

Con il supporto aggiunto per l'esportazione di YOLO11 nel formato modello RKNN, YOLO11 può ora sfruttare le NPU di Rockchip. Il modello più piccolo, YOLO11n in formato RKNN, raggiunge un impressionante tempo di inferenza di 99,5 ms per immagine, consentendo l'elaborazione in tempo reale anche su dispositivi embedded.

Link to this sectionEsportazione del tuo modello YOLO11 nel formato RKNN#

Attualmente, i modelli di rilevamento oggetti YOLO11 possono essere esportati nel formato RKNN. Resta sintonizzato: stiamo lavorando per aggiungere il supporto per le altre attività di visione artificiale e la quantizzazione INT8 nei futuri aggiornamenti.

Esportare YOLO11 nel formato RKNN è un processo semplice. Puoi caricare il tuo modello YOLO11 addestrato su misura, specificare la piattaforma Rockchip di destinazione e convertirlo nel formato RKNN con poche righe di codice. Il formato RKNN è compatibile con vari SoC Rockchip, inclusi RK3588, RK3566 e RK3576, garantendo un ampio supporto hardware.

Fig 3. Esportazione di YOLO11 nel formato modello RKNN.

Link to this sectionDistribuzione di YOLO11 su dispositivi basati su Rockchip#

Una volta esportato, il modello RKNN può essere distribuito su dispositivi basati su Rockchip. Per distribuire il modello, carichi semplicemente il file RKNN esportato sul tuo dispositivo Rockchip ed esegui l'inferenza, il processo di utilizzo del modello IA addestrato per analizzare nuove immagini o video e rilevare oggetti in tempo reale. Con poche righe di codice, puoi iniziare a identificare oggetti da immagini o flussi video.

Fig 4. Esecuzione di un'inferenza utilizzando il modello RKNN esportato.

Link to this sectionApplicazioni Edge AI di YOLO11 e Rockchip#

Per avere un'idea migliore di dove YOLO11 può essere distribuito su dispositivi abilitati per Rockchip nel mondo reale, analizziamo alcune applicazioni chiave di edge AI.

I processori Rockchip sono ampiamente utilizzati in tablet basati su Android, schede di sviluppo e sistemi IA industriali. Con il supporto per Android, Linux e Python, puoi creare e distribuire facilmente soluzioni basate sulla visione artificiale per una varietà di settori.

Link to this sectionTablet rugged integrati con YOLO11#

Un'applicazione comune che prevede l'esecuzione di YOLO11 su dispositivi alimentati da Rockchip sono i tablet rugged. Sono tablet durevoli e ad alte prestazioni progettati per ambienti difficili come magazzini, cantieri edili e contesti industriali. Questi tablet possono sfruttare il rilevamento di oggetti per migliorare l'efficienza e la sicurezza.

Ad esempio, nella logistica di magazzino, i lavoratori possono utilizzare un tablet alimentato da Rockchip con YOLO11 per scansionare e rilevare automaticamente l'inventario, riducendo l'errore umano e accelerando i tempi di elaborazione. Allo stesso modo, nei cantieri edili, questi tablet possono essere utilizzati per rilevare se i lavoratori indossano i dispositivi di sicurezza richiesti, come caschi e gilet, aiutando le aziende a far rispettare le normative e a prevenire incidenti.

Fig 5. Rilevamento di dispositivi di sicurezza tramite YOLO11.

Link to this sectionIA industriale per il controllo qualità#

Per quanto riguarda la produzione e l'automazione, le schede industriali alimentate da Rockchip possono svolgere un ruolo importante nel controllo qualità e nel monitoraggio dei processi. Una scheda industriale è un modulo di calcolo compatto e ad alte prestazioni progettato per sistemi embedded in ambienti industriali. Queste schede includono solitamente 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 i problemi istantaneamente e migliorando l'efficienza. Ad esempio, nella produzione automobilistica, un sistema IA che utilizza hardware Rockchip e YOLO11 può rilevare graffi, parti disallineate o difetti di verniciatura mentre le auto procedono lungo la linea di assemblaggio. Identificando questi difetti in tempo reale, i produttori possono ridurre gli sprechi, abbassare i costi di produzione e garantire standard di qualità più elevati prima che i veicoli raggiungano i clienti.

Link to this sectionVantaggi dell'esecuzione di YOLO11 su dispositivi basati su Rockchip#

I dispositivi basati su Rockchip offrono un buon equilibrio tra prestazioni, costi ed efficienza, rendendoli un'ottima scelta per la distribuzione di YOLO11 nelle applicazioni di edge AI.

Ecco alcuni vantaggi dell'esecuzione di YOLO11 su dispositivi basati su Rockchip:

• Migliori prestazioni IA: i dispositivi abilitati per Rockchip gestiscono l'inferenza IA in modo più efficiente rispetto alle schede basate su CPU come Raspberry Pi, offrendo un rilevamento di oggetti più rapido e una latenza inferiore.
• Soluzione conveniente: se stai sperimentando con l'IA e hai bisogno di un'opzione economica che offra comunque prestazioni potenti, Rockchip è un'ottima scelta. Fornisce un modo accessibile per eseguire YOLO11 senza compromettere la velocità o l'efficienza.
• Efficienza energetica: l'esecuzione di modelli di visione artificiale su dispositivi alimentati da Rockchip consuma meno energia rispetto alle GPU, rendendola ideale per dispositivi alimentati a batteria e applicazioni IA embedded.

Link to this sectionPunti chiave#

Ultralytics YOLO11 può essere eseguito in modo efficiente su dispositivi basati su Rockchip sfruttando l'accelerazione hardware e il formato RKNN. Ciò riduce il tempo di inferenza e migliora le prestazioni, rendendolo ideale per attività di visione artificiale in tempo reale e applicazioni di edge AI.

Il kit di strumenti RKNN fornisce strumenti di ottimizzazione chiave come la quantizzazione e il fine-tuning, assicurando che i modelli YOLO11 funzionino bene sulle piattaforme Rockchip. Ottimizzare i modelli per un'elaborazione efficiente on-device sarà essenziale con la crescita dell'adozione dell'edge AI. Con gli strumenti e l'hardware giusti, gli sviluppatori possono sbloccare nuove possibilità per soluzioni di visione artificiale in vari settori.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull'IA. Scopri come la visione artificiale in agricoltura e l'IA nella sanità stanno guidando l'innovazione visitando le nostre pagine dedicate alle soluzioni. Inoltre, controlla le nostre opzioni di licenza per iniziare a costruire le tue soluzioni di visione artificiale oggi stesso!