ArmSoM
← Alle Geschichten

ArmSoM Sige5 & CM5 Der neue Benchmark für Edge Computing mit Ultralytics YOLOv11 auf RK3576

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.

armsom rknn.

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'
Rockchip-Yolo

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.