Skip to main content

Tutorial de AI Kit con Raspberry Pi 5 sobre detección de objetos YOLOv8n

Introducción​

YOLOv8 (You Only Look Once versión 8) es el más popular de la serie YOLO de modelos de estimación de pose en tiempo real y detección de objetos. Se basa en las fortalezas de sus predecesores introduciendo varios avances en velocidad, precisión y flexibilidad. El Raspberry-pi-AI-kit se utiliza para acelerar la velocidad de inferencia, con un acelerador de inferencia de red neuronal de 13 TOPS construido alrededor del chip Hailo-8L.

Este wiki te guiará sobre cómo usar YOLOv8n para detección de objetos con AI Kit en Raspberry Pi 5, desde el entrenamiento hasta el despliegue.

Preparar Hardware​

Para Hailo8L 13 TOPS​

Raspberry Pi5 8GBRaspberry Pi AI Kit
Obtener Ahora 🖱️
Obtener Ahora 🖱️

Para Hailo8 26 TOPS​

reComputer AI R2130
Consigue Uno Ahora 🖱️

Instalar Hardware​

Por favor consulta esto

En la Computadora Host​

note

Vamos a instalar el software de Hailo, asegúrate de tener una cuenta de Hailo.

Instalar Ultralytics y entrenar modelo​

Instalar python3.11

sudo apt install python3.11

Crea yolo_env como tu entorno virtual

python3.11 -m venv yolo_env

Activar el entorno

source yolo_env/bin/activate

Instalar ultralytics

pip install ultralytics

Entrena YOLOv8n usando el conjunto de datos COCO. Si quieres entrenar tu propio conjunto de datos, puedes consultar esto para obtener instrucciones sobre cómo hacerlo.

mkdir yolomodel && cd yolomodel
yolo detect train data=coco128.yaml model=yolov8n.pt name=retrain_yolov8n epochs=100 batch=16

pir

Obtendrás el modelo best.pt después de tu entrenamiento, como se muestra a continuación:

cd ./runs/detect/retrain_yolov8n/weights/
ls

pir

Convierte el modelo .pt a .onnx.

yolo export model=./best.pt imgsz=640 format=onnx opset=11

Resultado como el siguiente:

pir

Instalar software hailo​

Instalar python 3.8

cd ~
sudo apt install python3.8

Crea hailo_env como tu entorno virtual

python3.8 -m venv hailo_env

Activar el entorno

source hailo_env/bin/activate

Instala Hailo Dataflow Compiler 3.27, aquí necesitas registrarte en Hailo e iniciar sesión, y descargar el software.

pir

pip install hailo_dataflow_compiler-3.27.0-py3-none-linux_x86_64.whl

Instala Model zoo, aquí necesitas registrarte en Hailo e iniciar sesión, y descargar el software.

pir

pip install hailo_model_zoo-2.11.0-py3-none-any.whl

Prueba si hailo_model_zoo está funcionando correctamente.

hailomz -h

pir

Instalar el archivo de github hailo_model_zoo

cd yolomodel/runs/detect/retrain_yolov8n/weights

git clone https://github.com/hailo-ai/hailo_model_zoo.git

Instalar el conjunto de datos coco para evaluar/optimizar/compilar el modelo yolov8n

python hailo_model_zoo/datasets/create_coco_tfrecord.py val2017
python hailo_model_zoo/datasets/create_coco_tfrecord.py calib2017

Usar hailo_model_zoo para analizar el modelo​

hailomz parse --hw-arch hailo8l --ckpt ./best.onnx yolov8n

pir

Usar hailo_model_zoo para optimizar el modelo​

note

Si ejecutas el siguiente comando, es posible que encuentres algunos errores. Sin embargo, puedes copiar ./hailo_model_zoo/hailo_model_zoo a tu biblioteca local. Si el error indica que no se puede encontrar el conjunto de datos, puedes navegar a ~/.hailomz, localizar el conjunto de datos y copiarlo a tu directorio de datos local.

hailomz optimize --hw-arch hailo8l --har ./yolov8n.har yolov8n

pir

Usar hailo_model_zoo para compilar el modelo​

hailomz compile  yolov8n --hw-arch hailo8l --har ./yolov8n.har

pir

Después de todo obtendrás un modelo hef, puedes usarlo para desplegarlo en raspberry pi5 con AI kit

ls

pir

En Raspberry Pi5​

actualizar el sistema​

sudo apt update
sudo apt full-upgrade

Configurar pcie a gen2/gen3 (gen3 es más rápido que gen2)​

Añade el siguiente texto a /boot/firmware/config.txt

#Enable the PCIe external connector

dtparam=pciex1

#Force Gen 3.0 speeds

dtparam=pciex1_gen=3

note

Si deseas usar gen2, comenta la línea dtparam=pciex1_gen=3.

Instalar hailo-all y reiniciar​

Abre la terminal en la Raspberry Pi 5 e ingresa el siguiente comando para instalar el software Hailo

sudo apt install hailo-all
sudo reboot

Verificar Software y Hardware​

Abre la terminal en la Raspberry Pi5, e ingresa el comando como se muestra a continuación para verificar si hailo-all ha sido instalado.

hailortcli fw-control identify

El resultado correcto se muestra a continuación:

pir

Abre la terminal en la Raspberry Pi5, e ingresa el comando como se muestra a continuación para verificar si hailo-8L ha sido conectado.

lspci | grep Hailo

El resultado correcto se muestra a continuación:

pir

Clonar el proyecto​

git clone https://github.com/Seeed-Projects/Benchmarking-YOLOv8-on-Raspberry-PI-reComputer-r1000-and-AIkit-Hailo-8L.git
cd Benchmarking-YOLOv8-on-Raspberry-PI-reComputer-r1000-and-AIkit-Hailo-8L

Copia tu modelo al raspberry pi5​

Crea un directorio llamado hailomodel

mkdir hailomodel
note

El siguiente comando debe ejecutarse en tu computadora anfitriona, no en tu Raspberry Pi 5. Asegúrate de que tanto tu computadora anfitriona como la Raspberry Pi 5 estén conectadas a la misma red.

scp -r ./yolomodel/runs/detect/retrain_yolov8n/weights/yolov8n.hef username@ip /home/pi/Benchmarking-YOLOv8-on-Raspberry-PI-reComputer-r1000-and-AIkit-Hailo-8L/hailomodel/

Cambiar código​

Encuentra las líneas 105 y 106 en object-detection-hailo.py, y cambia el código como se muestra a continuación:

        elif args.network == "yolov8n":
            self.hef_path = os.path.join(self.current_path, './hailomodel/yolov8n.hef')

Encuentra la línea 172 en object-detection-hailo.py, y cambia el código como se muestra a continuación:

    parser.add_argument("--network", default="yolov8n", choices=['yolov6n', 'yolov8s', 'yolox_s_leaky'], help="Which Network to use, defult is yolov6n")

Ejecutar el código​

bash run.sh object-detection-hailo

Resultado​

Aquí está el video en el que demostramos el proceso de entrenar el modelo YOLOv8n y desplegarlo en la Raspberry Pi 5. Configuramos el tamaño de lote en 8, el tamaño de entrada en 640x640, y la velocidad de fotogramas del video de entrada en 240 fps. La velocidad de inferencia alcanzada es de 136.7 fps, lo cual es excepcionalmente rápido para la mayoría de escenarios de aplicación.

Soporte Técnico y Discusión de Productos​

¡Gracias por elegir nuestros productos! Estamos aquí para brindarle diferentes tipos de soporte para asegurar que su experiencia con nuestros productos sea lo más fluida posible. Ofrecemos varios canales de comunicación para satisfacer diferentes preferencias y necesidades.

Loading Comments...