효율적인 Edge AI, AI 가속 및 실시간 객체 감지를 위해 RKNN 툴킷을 사용하여 Rockchip에 Ultralytics YOLO11을 배포하는 방법을 알아보세요.
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
효율적인 Edge AI, AI 가속 및 실시간 객체 감지를 위해 RKNN 툴킷을 사용하여 Rockchip에 Ultralytics YOLO11을 배포하는 방법을 알아보세요.
AI 커뮤니티에서 최근 화두가 되는 용어는 특히 컴퓨터 비전과 관련된 엣지 AI입니다. AI 기반 애플리케이션이 증가함에 따라 제한된 전력 및 컴퓨팅 리소스를 가진 임베디드 장치에서 모델을 효율적으로 실행해야 할 필요성이 커지고 있습니다.
예를 들어, 드론은 실시간 내비게이션을 위해 Vision AI를 사용하고, 스마트 카메라는 물체를 즉시 감지하며, 산업 자동화 시스템은 클라우드 컴퓨팅에 의존하지 않고 품질 관리를 수행합니다. 이러한 애플리케이션은 실시간 성능과 낮은 지연 시간을 보장하기 위해 엣지 장치에서 직접 빠르고 효율적인 AI 처리가 필요합니다. 그러나 엣지 장치에서 AI 모델을 실행하는 것이 항상 쉬운 것은 아닙니다. AI 모델은 종종 많은 엣지 장치가 처리할 수 있는 것보다 더 많은 전력과 메모리를 필요로 합니다.
Rockchip의 RKNN Toolkit은 Rockchip 기반 장치에 맞게 딥러닝 모델을 최적화하여 이 문제를 해결하는 데 도움을 줍니다. 전용 NPU(신경망 처리 장치)를 사용하여 추론 속도를 높여 CPU 또는 GPU 처리와 비교하여 지연 시간과 전력 소비를 줄입니다.
Vision AI 커뮤니티는 Rockchip 기반 장치에서 Ultralytics YOLO11을 실행하기를 간절히 원했고, 저희는 여러분의 의견을 경청했습니다. YOLO11을 RKNN으로 내보내기 모델 형식을 지원합니다. 이 기사에서는 RKNN으로 내보내는 방법과 Rockchip 기반 장치에 YOLO11을 배포하는 것이 왜 획기적인 변화인지 살펴보겠습니다.
Rockchip은 시스템 온 칩(SoC)을 설계하는 회사입니다. SoC는 작지만 강력한 프로세서로, 많은 임베디드 장치를 실행합니다. 이러한 칩은 CPU, GPU, NPU(신경망 처리 장치)를 결합하여 일반적인 컴퓨팅 작업부터 객체 감지 및 이미지 처리에 의존하는 Vision AI 애플리케이션까지 모든 것을 처리합니다.
Rockchip SoC는 싱글 보드 컴퓨터(SBC), 개발 보드, 산업용 AI 시스템 및 스마트 카메라를 포함한 다양한 장치에 사용됩니다. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas 및 Banana Pi와 같은 많은 유명 하드웨어 제조업체에서 Rockchip SoC로 구동되는 장치를 제작합니다. 이러한 보드는 성능, 전력 효율성 및 경제성의 균형을 제공하므로 엣지 AI 및 컴퓨터 비전 애플리케이션에 널리 사용됩니다.
AI 모델이 이러한 장치에서 효율적으로 실행되도록 Rockchip은 RKNN(Rockchip Neural Network) 툴킷을 제공합니다. 개발자는 이를 통해 딥 러닝 모델을 변환하고 최적화하여 Rockchip의 NPU(Neural Processing Units)를 사용할 수 있습니다.
RKNN 모델은 낮은 지연 시간 추론과 효율적인 전력 사용을 위해 최적화되어 있습니다. 모델을 RKNN으로 변환함으로써 개발자는 Rockchip 기반 장치에서 더 빠른 처리 속도, 낮은 전력 소비 및 향상된 효율성을 달성할 수 있습니다.
RKNN 모델이 Rockchip 지원 장치에서 AI 성능을 어떻게 향상시키는지 자세히 살펴보겠습니다.
다양한 컴퓨팅 작업을 처리하는 CPU 및 GPU와 달리 Rockchip의 NPU는 딥러닝을 위해 특별히 설계되었습니다. 개발자는 AI 모델을 RKNN 형식으로 변환하여 NPU에서 직접 추론을 실행할 수 있습니다. 따라서 RKNN 모델은 빠르고 효율적인 처리가 필수적인 실시간 컴퓨터 비전 작업에 특히 유용합니다.
NPU는 신경망 계산을 병렬로 처리하도록 구축되었기 때문에 AI 작업에 대해 CPU 및 GPU보다 빠르고 효율적입니다. CPU는 작업을 한 번에 한 단계씩 처리하고 GPU는 여러 코어에 워크로드를 분산하는 반면, NPU는 AI 관련 계산을 보다 효율적으로 수행하도록 최적화되어 있습니다.
결과적으로 RKNN 모델은 더 빠르게 실행되고 전력 소비가 적어 배터리 전원 장치, 스마트 카메라, 산업 자동화 및 실시간 의사 결정이 필요한 기타 에지 AI 애플리케이션에 이상적입니다.
Ultralytics YOLO (You Only Look Once) 모델은 객체 감지, 인스턴스 분할 및 이미지 분류와 같은 실시간 컴퓨터 비전 작업을 위해 설계되었습니다. 속도, 정확성 및 효율성으로 유명하며 농업, 제조, 의료 및 자율 시스템과 같은 산업 전반에서 널리 사용됩니다.
이러한 모델들은 시간이 지남에 따라 상당히 개선되었습니다. 예를 들어, Ultralytics의 YOLOv5는 PyTorch를 통해 객체 탐지를 더 쉽게 사용할 수 있도록 만들었습니다. 그 후, Ultralytics YOLOv8은 포즈 추정 및 이미지 분류와 같은 새로운 기능을 추가했습니다. 이제 YOLO11은 더 적은 리소스를 사용하면서 정확도를 높여 한 단계 더 나아갑니다. 실제로 YOLO11m은 YOLOv8m보다 22% 더 적은 파라미터를 사용하면서 COCO 데이터 세트에서 더 나은 성능을 보여 더욱 정확하고 효율적입니다.
Ultralytics YOLO 모델은 다양한 형식으로 내보내기를 지원하여 여러 플랫폼에서 유연하게 배포할 수 있습니다. 이러한 형식에는 ONNX, TensorRT, CoreML 및 OpenVINO가 포함되어 있어 개발자가 대상 하드웨어에 따라 성능을 최적화할 수 있습니다.
YOLO11을 RKNN 모델 형식으로 내보내기 위한 지원이 추가됨에 따라 YOLO11은 이제 Rockchip의 NPU를 활용할 수 있습니다. 가장 작은 모델인 RKNN 형식의 YOLO11n은 이미지당 99.5ms의 인상적인 추론 시간을 달성하여 임베디드 장치에서도 실시간 처리가 가능합니다.
현재 YOLO11 객체 탐지 모델은 RKNN 형식으로 내보낼 수 있습니다. 또한 향후 업데이트에서 다른 컴퓨터 비전 작업 및 INT8 양자화에 대한 지원을 추가하기 위해 노력하고 있으니 계속 지켜봐 주십시오.
YOLO11을 RKNN 형식으로 내보내는 것은 간단한 과정입니다. 사용자 정의 훈련된 YOLO11 모델을 로드하고, 대상 Rockchip 플랫폼을 지정하고, 몇 줄의 코드로 RKNN 형식으로 변환할 수 있습니다. RKNN 형식은 RK3588, RK3566, RK3576을 포함한 다양한 Rockchip SoC와 호환되어 광범위한 하드웨어 지원을 보장합니다.
내보내기가 완료되면 RKNN 모델을 Rockchip 기반 장치에 배포할 수 있습니다. 모델을 배포하려면 내보낸 RKNN 파일을 Rockchip 장치에 로드하고 추론(훈련된 AI 모델을 사용하여 새로운 이미지나 비디오를 분석하고 실시간으로 객체를 감지하는 프로세스)을 실행하기만 하면 됩니다. 몇 줄의 코드만으로 이미지나 비디오 스트림에서 객체 식별을 시작할 수 있습니다.
실제 환경에서 Rockchip 지원 장치에 YOLO11을 배포할 수 있는 위치에 대한 더 나은 아이디어를 얻기 위해 몇 가지 주요 에지 AI 애플리케이션을 살펴보겠습니다.
Rockchip 프로세서는 Android 기반 태블릿, 개발 보드 및 산업용 AI 시스템에 널리 사용됩니다. Android, Linux 및 Python을 지원하므로 다양한 산업 분야를 위한 Vision AI 기반 솔루션을 쉽게 구축하고 배포할 수 있습니다.
Rockchip 기반 장치에서 YOLO11을 실행하는 일반적인 응용 분야는 러기드 태블릿입니다. 이 태블릿은 창고, 건설 현장, 산업 현장과 같이 열악한 환경을 위해 설계된 내구성이 뛰어난 고성능 태블릿입니다. 이러한 태블릿은 객체 탐지를 활용하여 효율성과 안전성을 향상시킬 수 있습니다.
예를 들어, 창고 물류에서 작업자는 YOLO11이 탑재된 Rockchip 기반 태블릿을 사용하여 재고를 자동으로 스캔하고 감지하여 인적 오류를 줄이고 처리 속도를 높일 수 있습니다. 마찬가지로 건설 현장에서는 이러한 태블릿을 사용하여 작업자가 헬멧 및 조끼와 같은 필수 안전 장비를 착용하고 있는지 감지하여 회사가 규정을 준수하고 사고를 예방하는 데 도움을 줄 수 있습니다.
제조 및 자동화와 관련하여 Rockchip 기반 산업용 보드는 품질 관리 및 프로세스 모니터링에서 큰 역할을 할 수 있습니다. 산업용 보드는 산업 환경의 임베디드 시스템을 위해 설계된 소형의 고성능 컴퓨팅 모듈입니다. 이러한 보드에는 일반적으로 센서, 카메라 및 자동화된 기계와 통합할 수 있는 프로세서, 메모리, I/O 인터페이스 및 연결 옵션이 포함됩니다.
이러한 보드에서 YOLO11 모델을 실행하면 생산 라인을 실시간으로 분석하여 문제를 즉시 발견하고 효율성을 향상시킬 수 있습니다. 예를 들어 자동차 제조에서 Rockchip 하드웨어와 YOLO11을 사용하는 AI 시스템은 자동차가 조립 라인을 따라 이동할 때 긁힘, 잘못 정렬된 부품 또는 페인트 결함을 감지할 수 있습니다. 이러한 결함을 실시간으로 식별함으로써 제조업체는 낭비를 줄이고 생산 비용을 낮추며 차량이 고객에게 도달하기 전에 더 높은 품질 표준을 보장할 수 있습니다.
Rockchip 기반 장치는 성능, 비용 및 효율성의 균형이 잘 잡혀 있어 엣지 AI 애플리케이션에서 YOLO11을 배포하는 데 탁월한 선택입니다.
Rockchip 기반 장치에서 YOLO11을 실행할 때의 몇 가지 장점은 다음과 같습니다.
Ultralytics YOLO11은 하드웨어 가속 및 RKNN 형식을 활용하여 Rockchip 기반 장치에서 효율적으로 실행할 수 있습니다. 이는 추론 시간을 줄이고 성능을 향상시켜 실시간 컴퓨터 비전 작업 및 에지 AI 애플리케이션에 이상적입니다.
RKNN 툴킷은 양자화 및 미세 조정과 같은 주요 최적화 도구를 제공하여 YOLO11 모델이 Rockchip 플랫폼에서 잘 작동하도록 보장합니다. 에지 AI 채택이 증가함에 따라 효율적인 온디바이스 처리를 위해 모델을 최적화하는 것이 필수적입니다. 올바른 도구와 하드웨어를 통해 개발자는 다양한 산업 분야에서 컴퓨터 비전 솔루션에 대한 새로운 가능성을 열 수 있습니다.
커뮤니티에 가입하고 GitHub 리포지토리를 탐색하여 AI에 대해 자세히 알아보세요. 솔루션 페이지를 방문하여 농업 분야의 컴퓨터 비전과 의료 분야의 AI가 어떻게 혁신을 주도하고 있는지 확인하세요. 또한 라이선스 옵션을 확인하여 오늘 Vision AI 솔루션 구축을 시작하세요!
.webp)
