YOLOv8物体検出モデルのトレーニングとデプロイ
この文書は AI によって翻訳されています。内容に不正確な点や改善すべき点がございましたら、文書下部のコメント欄または以下の Issue ページにてご報告ください。
https://github.com/Seeed-Studio/wiki-documents/issues
YOLOv8物体検出モデルのデプロイ

このWikiでは、公式のYOLOv8物体検出モデルをトレーニングし、トレーニング済みモデルをGrove Vision AI (V2)デバイスまたはXIAO ESP32S3
デバイスにデプロイする方法を紹介します。
データセットの準備
データセットにはroboflowプラットフォームを使用することをお勧めします。このプラットフォームでは、データセットのアノテーションやデータ拡張戦略を実行でき、複数のデータセット形式のエクスポートをサポートしています。
YOLOv8コマンドラインツールのインストール
- デフォルトでは、
python
環境とpip
パッケージ管理ツールがすでにインストールされており、python>=3.8が必要です。
ultralytics
パッケージをインストールするには、pip install -U ultralytics
を実行します。ultralytics
パッケージの詳細については、Python Package Index (PyPI)をご覧ください: https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/).
# pipを使用してインストール
pip install ultralytics
# 中国のユーザーはミラーアクセラレーションを使用できます
# pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
Conda
はpip
の代替パッケージマネージャーであり、インストールにも使用できます。詳細はAnacondaをご覧ください: https://anaconda.org/conda-forge/ultralytics。Ultralytics
のフィードストックリポジトリは、conda
パッケージの更新用にhttps://github.com/conda-forge/ultralytics-feedstock/にあります。
# condaを使用してインストール
conda install -c conda-forge ultralytics
ultralytics
をクローンします。開発に参加したい場合や、最新のソースコードを試したい場合は、リポジトリをご覧ください。クローン後、ディレクトリに移動し、-e
パラメータを使用して開発者モードでパッケージをインストールします。
# 公式リポジトリをクローン
git clone https://github.com/ultralytics/ultralytics
# クローンしたフォルダに移動
cd ultralytics
# 開発者モードでインストール
pip install -e .
ヒント:
YOLOv8のコードに詳しくない場合は、pipまたはcondaを使用してインストールすることをお勧めします。
yolo
コマンドラインツールが正常にインストールされたかどうかをテストするには、バージョン確認コマンドを使用できます。
# バージョン確認
yolo -v
トレーニング
まず、ダウンロードしたデータセットフォルダに移動します。
次のコマンドを実行してモデルのトレーニングを開始します。
yolo train detect model=yolov8n.pt data=./data.yaml imgsz=192
tfliteモデルへのエクスポート
- トレーニング後、モデルは
runs/train/exp*/weights/
フォルダ内に保存されます。モデルの評価指標が要件を満たしていることを確認してください。 - 以下のコマンドを使用して
tflite
モデルをエクスポートします。
yolo export model=${your model path} format=tflite imgsz=192 int8
- 実行後、現在のフォルダ内に
yolov8n_saved_model
フォルダが生成され、その中にyolov8n_full_integer_quant.tflite
モデルファイルが含まれています。このモデルファイルはGrove Vision AI(V2)
またはXIAO ESP32S3
デバイスにデプロイすることができます。
モデルグラフの最適化
- Grove Vision AI (V2) は vela によって最適化されたモデルをサポートしており、モデル推論を高速化することができます。まず、以下のコマンドを実行して vela コマンドラインツールをインストールします(
XIAO ESP32S3
デバイスはまだサポートされていません)。
pip3 install ethos-u-vela
- 次に、こちらから
vela
関連の設定ファイルをダウンロードするか、以下の内容をファイルにコピーしてください。このファイルはvela_config.ini
という名前にすることができます。
; 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
- 最後に、以下のコマンドを使用してグラフを最適化します。
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}
実行後、--output-dir
で指定したパスにグラフが最適化された tflite モデルが生成されます。
デプロイ
デプロイする必要があるモデルファイルは、上記でエクスポートした
tflite
ファイルです。以下のチュートリアルに従って、モデルファイルをターゲットデバイスに書き込むことができます。トレーニング済みの tflite モデルをデバイスに書き込むには、弊社のウェブツールを使用することを強く推奨します。詳細な操作は デプロイメントチュートリアル に記載されています。
注意:
ESP32S3
デバイスは vela
グラフ最適化後のモデルデプロイをサポートしていないため、XIAO ESP32S3
デバイスにモデルをデプロイする場合は、tflite
モデルのグラフ最適化を行う必要はありません。