효율적인 Edge AI를 위해 Rockchip에 Ultralytics YOLO11 배포하기

최근 AI 커뮤니티에서 주목받는 용어 중 하나는 특히 컴퓨터 비전 분야에서의 엣지 AI입니다. AI 기반 애플리케이션이 성장하면서 전력과 컴퓨팅 리소스가 제한된 임베디드 디바이스에서 모델을 효율적으로 실행해야 할 필요성이 커지고 있습니다.

예를 들어 드론은 실시간 내비게이션에 비전 AI를 사용하고, 스마트 카메라는 객체를 즉시 감지하며, 산업 자동화 시스템은 클라우드 컴퓨팅에 의존하지 않고 품질 관리를 수행합니다. 이러한 애플리케이션은 실시간 성능과 낮은 지연 시간을 보장하기 위해 엣지 디바이스에서 직접 빠르고 효율적인 AI 처리를 수행해야 합니다. 그러나 엣지 디바이스에서 AI 모델을 실행하는 일이 항상 쉬운 것은 아닙니다. AI 모델에는 많은 엣지 디바이스가 감당할 수 있는 수준보다 더 많은 전력과 메모리가 필요한 경우가 많습니다.

Rockchip의 RKNN Toolkit은 Rockchip 기반 디바이스에 맞게 딥러닝 모델을 최적화하여 이 문제를 해결하는 데 도움을 줍니다. 전용 신경망 처리 장치(NPUs)를 사용해 추론 속도를 높이고, CPU 또는 GPU 처리와 비교해 지연 시간과 전력 소비를 줄입니다.

비전 AI 커뮤니티에서는 Rockchip 기반 디바이스에서 Ultralytics YOLO11을 실행하기를 기대해 왔으며, 이러한 요구를 반영했습니다. 이제 YOLO11을 RKNN 모델 형식으로 내보내기를 지원합니다. 이 글에서는 RKNN으로 내보내기가 어떻게 작동하는지와 Rockchip 기반 디바이스에 YOLO11을 배포하는 것이 획기적인 이유를 살펴봅니다.

Rockchip과 RKNN Toolkit이란 무엇인가요?#

Rockchip은 시스템 온 칩(SoCs)을 설계하는 회사입니다. 시스템 온 칩은 다양한 임베디드 디바이스를 구동하는 작지만 강력한 프로세서입니다. 이러한 칩은 CPU, GPU, 신경망 처리 장치(NPU)를 결합하여 일반적인 컴퓨팅 작업부터 객체 감지와 이미지 처리에 의존하는 비전 AI 애플리케이션까지 처리합니다.

Rockchip SoCs는 싱글보드 컴퓨터(SBCs), 개발 보드, 산업용 AI 시스템, 스마트 카메라를 비롯한 다양한 디바이스에 사용됩니다. Radxa, ASUS, Pine64, Orange Pi, Odroid, Khadas, Banana Pi 등 잘 알려진 여러 하드웨어 제조업체가 Rockchip SoCs 기반 디바이스를 제작합니다. 이러한 보드는 성능, 전력 효율성, 경제성의 균형을 제공하기 때문에 엣지 AI와 컴퓨터 비전 애플리케이션에 널리 사용됩니다.

그림 1. Rockchip 기반 디바이스의 예입니다.

AI 모델이 이러한 디바이스에서 효율적으로 실행되도록 Rockchip은 RKNN(Rockchip 신경망) Toolkit을 제공합니다. 개발자는 이를 사용하여 딥러닝 모델을 변환하고 최적화한 뒤 Rockchip의 신경망 처리 장치(NPUs)를 활용할 수 있습니다.

RKNN 모델은 낮은 지연 시간의 추론과 효율적인 전력 사용에 맞게 최적화됩니다. 모델을 RKNN으로 변환하면 개발자는 Rockchip 기반 디바이스에서 더 빠른 처리 속도, 낮은 전력 소비, 향상된 효율성을 달성할 수 있습니다.

RKNN 모델은 최적화됩니다#

RKNN 모델이 Rockchip 지원 디바이스에서 AI 성능을 어떻게 향상하는지 자세히 살펴보겠습니다.

다양한 컴퓨팅 작업을 처리하는 CPU 및 GPU와 달리 Rockchip의 NPU는 딥러닝을 위해 특별히 설계되었습니다. AI 모델을 RKNN 형식으로 변환하면 개발자는 NPU에서 직접 추론을 실행할 수 있습니다. 따라서 RKNN 모델은 빠르고 효율적인 처리가 필수적인 실시간 컴퓨터 비전 작업에 특히 유용합니다.

NPU는 신경망 연산을 병렬로 처리하도록 설계되었기 때문에 AI 작업에서 CPU 및 GPU보다 빠르고 효율적입니다. CPU가 작업을 한 번에 한 단계씩 처리하고 GPU가 여러 코어에 워크로드를 분산하는 반면, NPU는 AI에 특화된 계산을 더욱 효율적으로 수행하도록 최적화되어 있습니다.

그 결과 RKNN 모델은 더 빠르게 실행되고 전력을 덜 사용하므로, 배터리로 작동하는 디바이스, 스마트 카메라, 산업 자동화 및 실시간 의사 결정이 필요한 기타 엣지 AI 애플리케이션에 적합합니다.

Ultralytics YOLO 모델 개요#

Ultralytics YOLO(한 번에 보기) 모델은 객체 감지, 인스턴스 세그멘테이션, 이미지 분류와 같은 실시간 컴퓨터 비전 작업을 위해 설계되었습니다. 속도, 정확도, 효율성이 뛰어난 것으로 알려져 있으며 농업, 제조, 의료, 자율 시스템 등 다양한 산업 분야에서 널리 사용됩니다.

이러한 모델은 시간이 지나면서 크게 향상되었습니다. 예를 들어 Ultralytics YOLOv5는 PyTorch를 사용한 객체 감지를 더욱 쉽게 만들었습니다. 이어서 Ultralytics YOLOv8은 포즈 추정과 이미지 분류 같은 새로운 기능을 추가했습니다. 이제 YOLO11은 더 적은 리소스를 사용하면서 정확도를 높여 한 단계 더 발전했습니다. 실제로 YOLO11m은 YOLOv8m보다 파라미터를 22% 적게 사용하면서 COCO 데이터셋에서 더 뛰어난 성능을 발휘하므로 더욱 정확하고 효율적입니다.

그림 2. Ultralytics YOLO11을 사용한 객체 감지입니다.

Ultralytics YOLO 모델은 여러 형식으로 내보내기도 지원하므로 다양한 플랫폼에 유연하게 배포할 수 있습니다. 이러한 형식에는 ONNX, TensorRT, CoreML, OpenVINO가 포함되며, 개발자는 대상 하드웨어에 맞춰 성능을 최적화할 수 있습니다.

YOLO11을 RKNN 모델 형식으로 내보내는 기능이 추가되면서 YOLO11은 이제 Rockchip의 NPU를 활용할 수 있습니다. 가장 작은 모델인 RKNN 형식의 YOLO11n은 이미지당 99.5ms라는 인상적인 추론 시간을 달성하여 임베디드 디바이스에서도 실시간 처리가 가능합니다.

Ultralytics YOLO11 모델을 RKNN 형식으로 내보내기#

현재 Ultralytics YOLO11 객체 감지 모델은 RKNN 형식으로 내보낼 수 있습니다. 또한 향후 업데이트에서 다른 컴퓨터 비전 작업과 INT8 양자화에 대한 지원도 추가할 예정이니 많은 기대 바랍니다.

Ultralytics YOLO11을 RKNN 형식으로 내보내는 과정은 간단합니다. 사용자 지정 학습을 완료한 YOLO11 모델을 로드하고 대상 Rockchip 플랫폼을 지정한 다음 몇 줄의 코드로 RKNN 형식으로 변환할 수 있습니다. RKNN 형식은 RK3588, RK3566, RK3576을 비롯한 다양한 Rockchip SoCs와 호환되어 폭넓은 하드웨어를 지원합니다.

그림 3. Ultralytics YOLO11을 RKNN 모델 형식으로 내보내기입니다.

Rockchip 기반 디바이스에 Ultralytics YOLO11 배포#

내보낸 후에는 RKNN 모델을 Rockchip 기반 디바이스에 배포할 수 있습니다. 모델을 배포하려면 내보낸 RKNN 파일을 Rockchip 디바이스에 로드하고 추론을 실행하면 됩니다. 추론은 학습된 AI 모델을 사용하여 새로운 이미지 또는 비디오를 분석하고 실시간으로 객체를 감지하는 과정입니다. 몇 줄의 코드만으로 이미지나 비디오 스트림에서 객체 식별을 시작할 수 있습니다.

그림 4. 내보낸 RKNN 모델을 사용한 추론 실행입니다.

Ultralytics YOLO11과 Rockchip의 엣지 AI 애플리케이션#

실제 환경에서 Ultralytics YOLO11을 Rockchip 지원 디바이스에 어디에 배포할 수 있는지 더 잘 이해할 수 있도록 몇 가지 주요 엣지 AI 애플리케이션을 살펴보겠습니다.

Rockchip 프로세서는 Android 기반 태블릿, 개발 보드, 산업용 AI 시스템에 널리 사용됩니다. Android, Linux, Python을 지원하므로 다양한 산업 분야를 위한 비전 AI 기반 솔루션을 쉽게 구축하고 배포할 수 있습니다.

Ultralytics YOLO11이 통합된 러기드 태블릿#

Rockchip 기반 디바이스에서 Ultralytics YOLO11을 실행하는 대표적인 애플리케이션은 러기드 태블릿입니다. 러기드 태블릿은 창고, 건설 현장, 산업 환경과 같은 열악한 환경을 위해 설계된 내구성과 고성능을 갖춘 태블릿입니다. 이러한 태블릿은 객체 감지를 활용하여 효율성과 안전성을 향상할 수 있습니다.

예를 들어 창고 물류에서는 작업자가 YOLO11을 실행하는 Rockchip 기반 태블릿으로 재고를 자동 스캔하고 감지하여 인적 오류를 줄이고 처리 시간을 단축할 수 있습니다. 마찬가지로 건설 현장에서는 이러한 태블릿을 사용하여 작업자가 헬멧과 조끼 같은 필수 안전 장비를 착용했는지 감지할 수 있으며, 이를 통해 기업은 규정을 준수하고 사고를 예방할 수 있습니다.

그림 5. Ultralytics YOLO11을 사용한 안전 장비 감지입니다.

품질 관리를 위한 산업용 AI#

제조 및 자동화 분야에서 Rockchip 기반 산업용 보드는 품질 관리와 공정 모니터링에 중요한 역할을 할 수 있습니다. 산업용 보드는 산업 환경의 임베디드 시스템을 위해 설계된 소형 고성능 컴퓨팅 모듈입니다. 이러한 보드에는 일반적으로 프로세서, 메모리, I/O 인터페이스, 연결 옵션이 포함되어 센서, 카메라, 자동화 기계와 통합할 수 있습니다.

이러한 보드에서 Ultralytics YOLO11 모델을 실행하면 생산 라인을 실시간으로 분석하여 문제를 즉시 발견하고 효율성을 높일 수 있습니다. 예를 들어 자동차 제조 과정에서 Rockchip 하드웨어와 YOLO11을 사용하는 AI 시스템은 자동차가 조립 라인을 따라 이동하는 동안 흠집, 부품 정렬 불량, 도장 결함을 감지할 수 있습니다. 제조업체는 이러한 결함을 실시간으로 식별하여 낭비와 생산 비용을 줄이고 차량이 고객에게 전달되기 전에 더 높은 품질 기준을 충족할 수 있습니다.

Rockchip 기반 디바이스에서 Ultralytics YOLO11을 실행할 때의 이점#

Rockchip 기반 디바이스는 성능, 비용, 효율성의 균형이 뛰어나 엣지 AI 애플리케이션에 Ultralytics YOLO11을 배포하기에 적합합니다.

Rockchip 기반 디바이스에서 Ultralytics YOLO11을 실행할 때의 몇 가지 장점은 다음과 같습니다.

• 향상된 AI 성능: Rockchip 지원 디바이스는 Raspberry Pi와 같은 CPU 기반 보드보다 AI 추론을 효율적으로 처리하여 더 빠른 객체 감지와 낮은 지연 시간을 제공합니다.
• 비용 효율적인 솔루션: AI를 실험하면서도 강력한 성능을 제공하는 경제적인 옵션이 필요하다면 Rockchip이 좋은 선택입니다. 속도나 효율성을 저해하지 않으면서 Ultralytics YOLO11을 실행할 수 있는 경제적인 방법을 제공합니다.
• 전력 효율성: Rockchip 기반 디바이스에서 컴퓨터 비전 모델을 실행하면 GPU보다 전력 소비가 적으므로 배터리로 작동하는 디바이스와 임베디드 AI 애플리케이션에 적합합니다.

핵심 요점#

Ultralytics YOLO11은 하드웨어 가속과 RKNN 형식을 활용하여 Rockchip 기반 디바이스에서 효율적으로 실행할 수 있습니다. 이를 통해 추론 시간을 줄이고 성능을 향상하여 실시간 컴퓨터 비전 작업과 엣지 AI 애플리케이션에 적합합니다.

RKNN Toolkit은 양자화와 파인 튜닝 같은 핵심 최적화 도구를 제공하여 Ultralytics YOLO11 모델이 Rockchip 플랫폼에서 우수한 성능을 발휘하도록 합니다. 엣지 AI 도입이 확대됨에 따라 디바이스 내 처리를 효율적으로 수행하도록 모델을 최적화하는 일은 필수적입니다. 적절한 도구와 하드웨어를 사용하면 개발자는 다양한 산업 분야에서 컴퓨터 비전 솔루션의 새로운 가능성을 열 수 있습니다.

커뮤니티에 참여하고 GitHub 저장소를 살펴보며 AI에 대해 더 알아보세요. 솔루션 페이지를 방문하여 농업 분야의 컴퓨터 비전과 의료 분야의 AI가 혁신을 어떻게 이끌고 있는지 확인해 보세요. 또한 지금 바로 비전 AI 솔루션 구축을 시작할 수 있도록 라이선스 옵션도 확인해 보세요!