ArmSoM
← Все истории

ArmSoM Sige5 и CM5 Новый эталон для периферийных вычислений с Ultralytics YOLOv11 на RK3576

Поскольку технологии компьютерного зрения быстро развиваются, ArmSoM официально объявляет о выпуске своих флагманских продуктов — Плата разработки Sige5 и Основная плата CM5 на основе Rockchip RK3576— теперь полностью поддерживается развертывание RKNN моделей Ultralytics YOLOv11. Этот прорыв знаменует появление нового поколения высокопроизводительных и маломощных решений искусственного интеллекта в области периферийных вычислений, обеспечивающих «готовую» поддержку для промышленного контроля, интеллектуальной безопасности, роботизированной навигации и других приложений.

арсом ркнн

一、Rockchip RKNN Набор инструментов​

RKNN Toolkit — это набор инструментов и библиотек, предоставляемых Rockchip для облегчения развертывания моделей глубокого обучения на ее аппаратных платформах. RKNN (Rockchip Neural Network) — это собственный формат, используемый этими инструментами. Модели RKNN предназначены для полного использования аппаратного ускорения NPU (нейронных процессоров) Rockchip, обеспечивая высокую производительность для задач искусственного интеллекта на таких устройствах, как RK3588, RK3576, RK3566, RV1103, RV1106 и других системах, поддерживаемых Rockchip.

Основные характеристики моделей RKNN​

Модели RKNN предлагают множество преимуществ при развертывании на платформах Rockchip:

  • NPU Оптимизация: модели RKNN специально оптимизированы для NPU Rockchip, обеспечивая максимальную производительность и эффективность.

  • Низкая задержка: формат RKNN минимизирует задержку вывода, что крайне важно для приложений реального времени на периферийных устройствах.

  • Настройка для конкретной платформы: Модели RKNN можно адаптировать к конкретным платформам Rockchip, что позволяет максимально эффективно использовать аппаратные ресурсы.

  • Энергоэффективность: специальное оборудование NPU, модели RKNN потребляют меньше энергии, чем процессоры CPU/GPU, что продлевает срок службы батареи портативных устройств.

二、Использование CM5 с Ultralytics​

1. Экспорт в RKNN: конвертирование моделей YOLOv11​

Экспортируйте модели Ultralytics YOLOv11 в формат RKNN и выполните логический вывод с использованием экспортированной модели.

Убедитесь, что вы используете ПК Linux на базе x86 для экспорта моделей в RKNN, поскольку это не поддерживается на устройствах на базе Rockchip (ARM64).

# 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. Развертывание экспортированной модели YOLOv11 RKNN​

После успешного экспорта модели Ultralytics YOLOv11 в формат RKNN следующим шагом является развертывание на устройствах на базе Rockchip.

# 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'
рокчип йоло

三、Приложения из реальной жизни​

Устройства Rockchip, оснащенные моделями YOLOv11 RKNN, можно использовать в различных сценариях:

• Интеллектуальное наблюдение: Разверните эффективные системы обнаружения объектов для мониторинга безопасности с низким энергопотреблением. • Промышленная автоматизация: Реализуйте контроль качества и обнаружение дефектов непосредственно на встроенных устройствах. • Розничная аналитика: Отслеживайте поведение клиентов и управляйте запасами в режиме реального времени без зависимости от облака. • Умное сельское хозяйство: Следите за состоянием урожая и обнаруживайте вредителей с помощью компьютерного зрения в сельском хозяйстве. • Автономная робототехника: Включите навигацию на основе машинного зрения и обнаружение препятствий на платформах с ограниченными ресурсами.

四、Подробнее​

Для получения подробной документации посетите Rockchip RKNN Экспорт для моделей Ultralytics YOLO11.