Raspberry Pi 5 と AI キットを使用した YOLOv8n 物体検出のチュートリアル
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
Raspberry Pi 5 と AI キットを使用した YOLOv8n 物体検出のチュートリアル
はじめに
YOLOv8(You Only Look Once バージョン 8)は、リアルタイムのポーズ推定および物体検出モデルの YOLO シリーズの中で最も人気のあるバージョンです。YOLOv8 は、速度、精度、柔軟性においていくつかの進歩を導入し、従来のバージョンの強みをさらに強化しています。Raspberry-pi-AI-kit は、Hailo-8L チップを中心に構築された 13 TOPS のニューラルネットワーク推論アクセラレータを備えており、推論速度を向上させるために使用されます。
この Wiki では、Raspberry Pi 5 上で AI キットを使用して YOLOv8n による物体検出を行う方法を、トレーニングからデプロイまで説明します。
ハードウェアの準備
Hailo8L 13 TOPS の場合
Hailo8 26 TOPS の場合
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上で
Hailoソフトウェアをインストールします。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トレーニング:
Python3.11をインストールします。
sudo apt install python3.11
仮想環境としてyolo_env
を作成します。
python3.11 -m venv yolo_env
環境をアクティブ化します。
source yolo_env/bin/activate
Ultralyticsをインストールします。
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、こちら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
トレーニング後にbest.pt
モデルが生成されます。以下のように確認できます。
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
以下のような結果が得られます。
Hailoソフトウェアのインストール:
Python3.8をインストールします。
cd ~
sudo apt install python3.8
仮想環境としてhailo_env
を作成します。
python3.8 -m venv hailo_env
環境をアクティブ化します。
source hailo_env/bin/activate
Hailo Dataflow Compiler 3.27をインストールします。ここでHailoに登録し、ログインしてソフトウェアをダウンロードしてください。
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、ログインしてソフトウェアをダウンロードしてください。
pip install hailo_model_zoo-2.11.0-py3-none-any.whl
hailo_model_zoo
が正しく動作しているかテストします。
hailomz -h
hailo_model_zoo
のGitHubファイルをインストールします。
cd yolomodel/runs/detect/retrain_yolov8n/weights
git clone https://github.com/hailo-ai/hailo_model_zoo.git
COCOデータセットをインストールして、YOLOv8nモデルを評価/最適化/コンパイルします。
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:
hailomz parse --hw-arch hailo8l --ckpt ./best.onnx yolov8n
hailo_model_zoo
を使用してモデルを最適化:
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で解決できます。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、データセットをローカル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:
hailomz compile yolov8n --hw-arch hailo8l --har ./yolov8n.har
最終的にhef
モデルが生成されます。このモデルを使用して、AIキットを搭載したRaspberry Pi5にデプロイできます。
ls
Raspberry Pi 5での操作
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。
#PCIe外部コネクタを有効化
dtparam=pciex1
#Gen 3.0速度を強制
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のターミナルを開き、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 Pi 5のターミナルを開き、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 Pi 5のターミナルを開き、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:
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 Pi 5にコピー:
hailomodel
という名前のディレクトリを作成します。
mkdir hailomodel
以下のコマンドはホストコンピュータ上で実行する必要があります。Raspberry Pi 5では実行しないでください。ホストコンピュータとRaspberry Pi 5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行目を以下のように変更してください:
elif args.network == "yolov8n":
self.hef_path = os.path.join(self.current_path, './hailomodel/yolov8n.hef')
object-detection-hailo.py
の172行目を以下のように変更してください:
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:
bash run.sh object-detection-hailo
結果
以下の動画では、YOLOv8nモデルのトレーニングプロセスとRaspberry Pi 5へのデプロイを示しています。バッチサイズを8、入力サイズを640x640、入力動画のフレームレートを240fpsに設定しました。推論速度は136.7fpsに達し、ほとんどのアプリケーションシナリオにおいて非常に高速です。
技術サポートと製品ディスカッション
弊社の製品をお選びいただきありがとうございます!お客様が弊社製品をスムーズにご利用いただけるよう、さまざまなサポートを提供しております。異なる好みやニーズに対応するため、いくつかのコミュニケーションチャネルをご用意しています。