Skip to main content

Desplegar modelo de detección de objetos YOLOv8

Este wiki introducirá cómo entrenar el modelo oficial de detección de objetivos YOLOv8 y desplegar el modelo entrenado en el dispositivo Grove Vision AI (V2) o dispositivos XIAO ESP32S3.

Preparación del conjunto de datos​

Se recomienda usar la plataforma roboflow para conjuntos de datos. Esta plataforma puede realizar anotación de conjuntos de datos y algunas estrategias de mejora de datos, y soporta la exportación de múltiples formatos de conjuntos de datos.

Instalar herramienta de línea de comandos YOLOv8​

  • Por defecto, ya tienes el entorno python y la herramienta de gestión de paquetes pip, y python>=3.8.

Instala el paquete ultralytics, o ejecutando pip install -U ultralytics. Por favor visita el Índice de Paquetes de Python (PyPI) para aprender más sobre el paquete ultralytics en https://pypi.org/project/ultralytics/.

# Install using pip
pip install ultralytics
# Chinese users can use mirror acceleration
# pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

Consejos: Si no estás familiarizado con el código de YOLOv8, se recomienda que uses pip o conda para instalarlo.

  • Puedes usar el comando de consulta de versión para probar si la herramienta de línea de comandos yolo se instaló correctamente.
# version query
yolo -v

Entrenar​

  • Primero, ve a la carpeta del conjunto de datos descargado

  • Ejecuta el siguiente comando para comenzar a entrenar el modelo

yolo train detect model=yolov8n.pt data=./data.yaml imgsz=192

Exportar modelo a tflite​

  • Después del entrenamiento, el modelo estará en la carpeta runs/train/exp*/weights/. Asegúrate de que los indicadores de evaluación de tu modelo cumplan con tus necesidades.
  • Usa el siguiente comando para exportar el modelo tflite
yolo export model=${your model path}  format=tflite imgsz=192 int8
  • Luego verás una carpeta yolov8n_saved_model bajo la carpeta actual, que contiene el archivo de modelo yolov8n_full_integer_quant.tflite. Este archivo de modelo puede ser desplegado en dispositivos Grove Vision AI(V2) o XIAO ESP32S3.

Optimización del grafo del modelo​

  • Grove Vision AI (V2) soporta modelos optimizados con vela y también puede acelerar la inferencia del modelo. Primero, ejecuta el siguiente comando para instalar la herramienta de línea de comandos vela (el dispositivo XIAO ESP32S3 aún no es compatible)

pip3 install ethos-u-vela
  • Después de eso, necesitas descargar el archivo de configuración relacionado con vela, o copiar el siguiente contenido en un archivo, que puede llamarse vela_config.ini
; file: my_vela_cfg.ini ; ----------------------------------------------------------------------------- 
; Vela configuration file ; ----------------------------------------------------------------------------- 
; System Configuration 

; My_Sys_Cfg 
[System_Config.My_Sys_Cfg] 
core_clock=400e6 
axi0_port=Sram 
axi1_port=OffChipFlash 
Sram_clock_scale=1.0 
Sram_burst_length=32 
Sram_read_latency=16 
Sram_write_latency=16 
Dram_clock_scale=0.75 
Dram_burst_length=128 
Dram_read_latency=500 
Dram_write_latency=250 
OnChipFlash_clock_scale=0.25 
OffChipFlash_clock_scale=0.015625 
OffChipFlash_burst_length=32 
OffChipFlash_read_latency=64 
OffChipFlash_write_latency=64 
; ----------------------------------------------------------------------------- 
; Memory Mode 
; My_Mem_Mode_Parent 
[Memory_Mode.My_Mem_Mode_Parent] 
const_mem_area=Axi1 
arena_mem_area=Axi0 
cache_mem_area=Axi0
  • Finalmente, usa el siguiente comando para optimizar el grafo
vela --accelerator-config ethos-u55-64 \ 
    --config vela_config.ini \
    --system-config My_Sys_Cfg \
    --memory-mode My_Mem_Mode_Parent \
    --output-dir ${Save path of the optimized model} \
    ${The path of the tflite model that needs to be optimized}

Después de la ejecución, se generará un modelo tflite optimizado para gráficos en la ruta especificada por --output-dir.

Despliegue​

  • El archivo de modelo que necesita ser desplegado es el archivo tflite exportado anteriormente. Puedes grabar el archivo de modelo en el dispositivo objetivo siguiendo el siguiente tutorial.

  • Recomendamos encarecidamente usar nuestra herramienta web para grabar el modelo tflite entrenado en el dispositivo. Las operaciones detalladas se proporcionan en el Tutorial de Despliegue

Nota: Dado que el dispositivo ESP32S3 no admite el despliegue de modelos después de la optimización de gráficos vela, no necesitas realizar la optimización de gráficos del modelo tflite si deseas desplegar el modelo en el dispositivo XIAO ESP32S3.

Loading Comments...