Da die Computer Vision-Technologie schnell voranschreitet, gibt ArmSoM offiziell bekannt, dass seine Flaggschiffprodukte - die Sige5 Entwicklungs-Bundesamt und CM5 Kern Board auf der Grundlage von Rockchip RK3576- unterstützt jetzt die RKNN-Bereitstellung von Ultralytics YOLOv11-Modellen vollständig. Dieser Durchbruch markiert die Ankunft einer neuen Generation von leistungsstarken, energiesparenden KI-Lösungen im Edge Computing, die "Out-of-the-Box" -Unterstützung für industrielle Inspektion, intelligente Sicherheit, Roboternavigation und andere Anwendungen bieten.

一、Rockchip RKNN Toolkit
Das RKNN Toolkit ist eine Suite von Tools und Bibliotheken, die von Rockchip bereitgestellt werden, um die Bereitstellung von Deep-Learning-Modellen auf seinen Hardwareplattformen zu erleichtern. RKNN (Rockchip Neural Network) ist das proprietäre Format, das von diesen Tools verwendet wird. RKNN-Modelle sind so konzipiert, dass sie die Hardwarebeschleunigung von Rockchips NPUs (Neural Processing Units) vollständig nutzen und eine hohe Leistung für KI-Aufgaben auf Geräten wie RK3588, RK3576, RK3566, RV1103, RV1106 und anderen Rockchip-unterstützten Systemen gewährleisten.
Hauptmerkmale von RKNN Modellen
RKNN-Modelle bieten mehrere Vorteile für die Bereitstellung auf Rockchip-Plattformen:
NPU OptimierungRKNN-Modelle sind speziell für die NPUs von Rockchip optimiert und sorgen für Spitzenleistung und Effizienz.
Niedrige LatenzDas RKNN-Format minimiert die Inferenzlatenz, die für Echtzeitanwendungen auf Edge-Geräten entscheidend ist.
Plattformspezifische AnpassungRKNN-Modelle können auf bestimmte Rockchip-Plattformen zugeschnitten werden, wodurch die Auslastung der Hardwareressourcen maximiert wird.
Energieeffizienz: dedizierte NPU-Hardware, RKNN-Modelle verbrauchen weniger Strom als die CPU/GPU-Verarbeitung und verlängern die Akkulaufzeit für tragbare Geräte.
二、Verwenden von CM5 mit Ultralytics
1. Exportieren Sie nach RKNN: Konvertieren Sie YOLOv11-Modelle
Exportieren Sie die YOLOv11-Modelle in das RKNN-Format und führen Sie die Inferenz mit dem exportierten Modell aus.
Stellen Sie sicher, dass Sie einen x86-basierten Linux-PC zum Exportieren von Modellen in RKNN verwenden, da dies auf Rockchip-basierten Geräten (ARM64) nicht unterstützt wird.
# Install required packages for YOLOv11pip install ultralytics# Export a YOLOv11n PyTorch model to RKNN format# 'name' can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, or rk2118
yolo export model=yolo11n.pt format=rknn name=rk3588 # Creates '/yolo11n_rknn_model'2. Einsatz des exportierten YOLOv11 RKNN-Modells
Nach dem erfolgreichen Export des Ultralytics YOLOv11-Modells in das RKNN-Format ist der nächste Schritt die Bereitstellung auf Rockchip-basiertem Devicesbash.
# Install required packages for YOLOv11pip install ultralytics# Run inference with the exported model
yolo predict model='./yolo11n_rknn_model' source='https://ultralytics.com/images/bus.jpg'
Real-World-Anwendungen
Rockchip-Geräte, die mit YOLOv11 RKNN-Modellen ausgestattet sind, können in verschiedenen Szenarien verwendet werden:
• Intelligente Überwachung: Einsatz effizienter Objekterkennungssysteme für eine stromsparende Sicherheitsüberwachung. • Industrielle AutomatisierungImplementieren Sie Qualitätskontrolle und Fehlererkennung direkt auf eingebetteten Geräten. • Retail Analytics: Verfolgen Sie das Kundenverhalten und verwalten Sie den Bestand in Echtzeit ohne Cloud-Abhängigkeit. • Smarte Landwirtschaft: Überwachung der Gesundheit von Pflanzen und Erkennung von Schädlingen mit Computer Vision in der Landwirtschaft. • Autonome Robotik: Ermöglichen Sie die visionsbasierte Navigation und Hinderniserkennung auf ressourcenbegrenzten Plattformen.
四、Erfahren Sie mehr
Für ausführliche Dokumentation, Besuch Rockchip RKNN Export für YOLO11 Ultralytics Modelle.
