ArmSoM
← 所有故事

ArmSoM Sige5 和 CM5 RK3576 上使用 Ultralytics YOLOv11 进行边缘计算的新基准

随着计算机视觉技术的快速发展,ArmSoM正式宣布其旗舰产品—— Sige5开发板 和 CM5 核心板 基于 Rockchip RK3576—现在完全支持 Ultralytics YOLOv11 模型的 RKNN 部署。这一突破标志着新一代高性能、低功耗边缘计算人工智能解决方案的到来,为工业检测、智能安防、机器人导航等应用提供“开箱即用”的支持。

武装 rknn

一、Rockchip RKNN 工具包​

RKNN 工具包是 Rockchip 提供的一套工具和库,用于促进深度学习模型在其硬件平台上的部署。 RKNN(Rockchip 神经网络)是这些工具使用的专有格式。 RKNN 型号旨在充分利用 Rockchip 的 NPU(神经处理单元)的硬件加速,确保在 RK3588、RK3576、RK3566、RV1103、RV1106 和其他 Rockchip 支持的系统等设备上执行 AI 任务的高性能。

RKNN 型号的主要特性​

RKNN 型号在 Rockchip 平台上部署具有多种优势:

  • NPU 优化:RKNN 型号专门针对 Rockchip 的 NPU 进行了优化,确保了最佳性能和效率。

  • 低延迟:RKNN 格式最大限度地减少推理延迟,这对于边缘设备上的实时应用程序至关重要。

  • 特定于平台的定制:RKNN型号可以针对特定的Rockchip平台进行定制,最大限度地提高硬件资源利用率。

  • 电源效率:专用NPU硬件,RKNN型号比CPU/GPU处理功耗更低,延长了便携式设备的电池寿命。

二、CM5 与 Ultralytics 配合使用​

1。导出到 RKNN:转换 YOLOv11 模型​

将 Ultralytics YOLOv11 模型导出为 RKNN 格式并使用导出的模型运行推理。

确保使用基于 x86 的 Linux PC 将模型导出到 RKNN,因为基于 Rockchip 的设备 (ARM64) 不支持此功能。

# 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。部署导出的YOLOv11 RKNN模型​

成功将Ultralytics YOLOv11模型导出为RKNN格式后,下一步是部署在基于Rockchip的devicesbash上

# 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'
瑞芯微Yolo

三、实际应用​

搭载YOLOv11 RKNN型号的Rockchip设备可用于多种场景:

• 智能监控:部署高效的对象检测系统以进行低功耗安全监控。 • 工业自动化:直接在嵌入式设备上实施质量控制和缺陷检测。 • 零售分析:跟踪客户行为并实时管理库存,无需依赖云。 • 智慧农业:在农业中使用计算机视觉监控作物健康并检测害虫。 • 自主机器人:在资源有限的平台上启用基于视觉的导航和障碍物检测。

四、了解更多​

如需详细文档,请访问 Rockchip RKNN 用于 Ultralytics YOLO11 模型的导出.