YOLOv8nオブジェクト検出に関するAI Kit with Raspberry Pi 5のチュートリアル
はじめに
YOLOv8（You Only Look Once version 8）は、リアルタイム姿勢推定とオブジェクト検出モデルの人気のYOLOシリーズです。速度、精度、柔軟性において複数の進歩を導入することで、前身の強みを基盤として構築されています。Raspberry-pi-AI-kitは推論速度を加速するために使用され、Hailo-8Lチップを中心に構築された13 TOPSニューラルネットワーク推論アクセラレータを特徴としています。
このwikiでは、Raspberry Pi 5でAI Kitを使用してYOLOv8nでオブジェクト検出を行う方法を、トレーニングからデプロイまでガイドします。
ハードウェアの準備
Hailo8L 13 TOPS用
Hailo8 26 TOPS用
| reComputer AI R2130 |
|---|
 |
ハードウェアのインストール
こちらを参照してください
ホストコンピューター上で
hailoソフトウェアをインストールしますので、hailoアカウントを持っていることを確認してください。
Ultralyticsのインストールとモデルの訓練
python3.11をインストール
sudo apt install python3.11
yolo_env を仮想環境として作成する
python3.11 -m venv yolo_env
環境をアクティベートする
source yolo_env/bin/activate
ultralyticsをインストール
pip install ultralytics
COCO データセットを使用して YOLOv8n をトレーニングします。独自のデータセットをトレーニングしたい場合は、その方法についてこちらの手順を参照してください。
mkdir yolomodel && cd yolomodel
yolo detect train data=coco128.yaml model=yolov8n.pt name=retrain_yolov8n epochs=100 batch=16
トレーニング後、以下に示すように best.pt モデルが得られます：
cd ./runs/detect/retrain_yolov8n/weights/
ls
.ptモデルを.onnxに変換します。
yolo export model=./best.pt imgsz=640 format=onnx opset=11
hailoソフトウェアのインストール
Python 3.8をインストール
cd ~
sudo apt install python3.8
hailo_env を仮想環境として作成する
python3.8 -m venv hailo_env
Activate the environment
source hailo_env/bin/activate
Hailo Dataflow Compiler 3.27をインストールしてください。ここではHailoに登録してログインし、ソフトウェアをダウンロードする必要があります。
pip install hailo_dataflow_compiler-3.27.0-py3-none-linux_x86_64.whl
Model zooをインストールします。ここでHailoに登録してログインし、ソフトウェアをダウンロードする必要があります。
pip install hailo_model_zoo-2.11.0-py3-none-any.whl
hailo_model_zoo が正常に機能しているかテストします。
hailomz -h
hailo_model_zoo githubファイルをインストールする
cd yolomodel/runs/detect/retrain_yolov8n/weights
git clone https://github.com/hailo-ai/hailo_model_zoo.git
yolov8nモデルの評価/最適化/コンパイルのためにcocoデータセットをインストールする
python hailo_model_zoo/datasets/create_coco_tfrecord.py val2017
python hailo_model_zoo/datasets/create_coco_tfrecord.py calib2017
hailo_model_zoo を使用してモデルを解析する
hailomz parse --hw-arch hailo8l --ckpt ./best.onnx yolov8n
hailo_model_zoo を使用してモデルを最適化する
以下のコマンドを実行すると、いくつかのエラーが発生する可能性があります。ただし、./hailo_model_zoo/hailo_model_zoo をローカルライブラリにコピーすることができます。エラーがデータセットが見つからないことを示している場合は、~/.hailomz に移動してデータセットを見つけ、ローカルのデータセットディレクトリにコピーしてください。
hailomz optimize --hw-arch hailo8l --har ./yolov8n.har yolov8n
hailo_model_zoo を使用してモデルをコンパイルする
hailomz compile yolov8n --hw-arch hailo8l --har ./yolov8n.har
最終的に hef モデルが得られ、これを使用して AI キット付きの Raspberry Pi5 にデプロイできます
ls
Raspberry Pi5での実行
システムの更新
sudo apt update
sudo apt full-upgrade
PCIeをgen2/gen3に設定する（gen3はgen2より高速）
以下のテキストを/boot/firmware/config.txtに追加してください
#Enable the PCIe external connector
dtparam=pciex1
#Force Gen 3.0 speeds
dtparam=pciex1_gen=3
gen2を使用したい場合は、dtparam=pciex1_gen=3をコメントアウトしてください
hailo-allをインストールして再起動
Raspberry Pi 5でターミナルを開き、以下のコマンドを入力してHailoソフトウェアをインストールします
sudo apt install hailo-all
sudo reboot
ソフトウェアとハードウェアの確認
Raspberry Pi5でターミナルを開き、以下のコマンドを入力してhailo-allがインストールされているかを確認します。
hailortcli fw-control identify
正しい結果は以下のように表示されます：
Raspberry Pi5でターミナルを開き、以下のコマンドを入力してhailo-8Lが接続されているかどうかを確認します。
lspci | grep Hailo
正しい結果は以下のように表示されます：
プロジェクトをクローンする
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
モデルをraspberry pi5にコピーする
hailomodelという名前のディレクトリを作成します
mkdir hailomodel
以下のコマンドは、Raspberry Pi 5ではなく、ホストコンピュータで実行する必要があります。ホストコンピュータとRaspberry Pi 5の両方が同じネットワークに接続されていることを確認してください。
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/
コードの変更
object-detection-hailo.py の105行目と106行目を見つけて、以下のようにコードを変更してください：
elif args.network == "yolov8n":
self.hef_path = os.path.join(self.current_path, './hailomodel/yolov8n.hef')
object-detection-hailo.py の172行目を見つけて、以下のようにコードを変更してください：
parser.add_argument("--network", default="yolov8n", choices=['yolov6n', 'yolov8s', 'yolox_s_leaky'], help="Which Network to use, defult is yolov6n")
コードを実行する
bash run.sh object-detection-hailo
結果
以下は、YOLOv8nモデルの訓練プロセスとRaspberry Pi 5への展開を実演するビデオです。バッチサイズを8、入力サイズを640x640、入力ビデオフレームレートを240 fpsに設定しました。達成された推論速度は136.7 fpsで、ほとんどのアプリケーションシナリオにとって非常に高速です。
技術サポート & 製品ディスカッション
私たちの製品をお選びいただき、ありがとうございます！私たちは、お客様の製品体験が可能な限りスムーズになるよう、さまざまなサポートを提供しています。異なる好みやニーズに対応するため、複数のコミュニケーションチャンネルを提供しています。