Rand TPU Silva

Die Leistung von Coral Edge TPU und Ultralytics an einem Ort: edge-tpu-silva .

Unser Edge-TPU-Silva ist ein Python-Paket, das die Installation der Coral TPU USB-Abhängigkeit vereinfacht und die Kompatibilität mit PyCoral und Ultralytics gewährleistet. Dieses Paket ermöglicht die detection , segmentation und classification auf verschiedenen Edge-Geräten, um höhere FPS (Real Time Processor Speed) zu erreichen.

Hardware-Anforderung

Coral USB Accelerator Exclusivity :

Die Edge-TPU-Silva-Bibliothek wurde speziell für die nahtlose Integration mit dem Coral USB Accelerator entwickelt. Dieser leistungsstarke Hardwarebeschleuniger ist nicht nur eine Voraussetzung, sondern eine strategische Entscheidung, da er das volle Potenzial der Bibliothek für überlegene detection , segmentation und classification freisetzt.

Entdecken Sie den Coral USB Accelerator und erleben Sie einen maßgeschneiderten Ansatz für Edge Computing mit der Edge-TPU-Silva-Bibliothek.

Tun Sie dies, bevor Sie das Paket installieren

Das Paket edge-tpu-silva ist nur mit python versions <3.10 komprimierbar. Installieren Sie eine bestimmte Python-Version, wenn Ihre Python-Version nicht kompatibel ist.

Beispiel: Für Raspberry Pi können Sie auf klicken, um Anweisungen zur Installation einer bestimmten Python-Version mit pyenv zu erhalten

Hinweis: Python 3.6 bis 3.9 wird empfohlen. Klicken Sie auf den Link oben, um zu erfahren, wie Sie eine bestimmte Python-Version installieren

Hinweis: Stellen Sie sicher, dass Ihr Raspberry Pi auf dem neuesten Stand ist. Führen Sie dazu den folgenden Befehl im Terminal aus.

sudo apt-get update

sudo apt-get upgrade

Installation

Führen Sie den folgenden Bash-Code in Ihrem Terminal aus, um eine neue virtuelle Umgebung mit dem Namen .venv zu erstellen und zu aktivieren. Stellen Sie sicher, dass Sie sich in dem spezifischen Verzeichnis befinden, in dem diese Umgebung installiert werden soll.

python3 -m venv .venv
source .venv/bin/activate

Installation

Schritt 1: Installieren Sie Edge-TPU-Silva

Um „edge-tpu-silva“ zu installieren, verwenden Sie den folgenden Pip-Befehl in einer angegebenen Python-Umgebung:

pip install edge-tpu-silva

Schritt 2: Führen Sie den Setup-Befehl aus

Systemkompatibilität

Diese Tabelle gibt einen Überblick über die Kompatibilität des Systems mit verschiedenen Geräten und Betriebssystemen.

	Kompatibilität	Setup-Befehl
Raspberry Pi 5	✔	Silvatpu-Linux-Setup
Raspberry Pi 4	✔	Silvatpu-Linux-Setup
Raspberry Pi 3	✔	Silvatpu-Linux-Setup
Jetson Nano	✔	Silvatpu-Linux-Setup
Windows
macOS

Um Setup-Tools für Ihr System zu konfigurieren, führen Sie nach Abschluss von Schritt 1 den Setup-Befehl im Terminal aus.

Beispiel: Wenn Sie einen Raspberry Pi 5 verwenden, führen Sie nach Schritt 1 den folgenden Befehl im Terminal aus.

silvatpu-linux-setup

Der Befehl installiert die Standard-Edge-TPU-Laufzeitumgebung für Linux und führt das Gerät mit einer reduzierten Taktfrequenz aus. Alternativ können Sie eine Version für maximale Geschwindigkeit installieren, achten Sie jedoch auf einen erhöhten Stromverbrauch und eine höhere Gerätewärme. Wenn Sie sich nicht sicher sind, bleiben Sie aus Sicherheitsgründen bei der reduzierten Frequenz. Um die Laufzeit mit maximaler Frequenz zu installieren, geben Sie die Geschwindigkeit des Setup-Befehls auf max an.

silvatpu-linux-setup --speed max

Sie können nicht beide Versionen der Runtime gleichzeitig installieren, aber Sie können wechseln, indem Sie einfach die alternative Runtime installieren, wie oben gezeigt

Achtung: Die Verwendung des USB-Beschleunigers bei maximaler Taktfrequenz kann zu gefährlicher Hitze führen. Um Verbrennungen vorzubeugen, bewahren Sie es außer Reichweite auf oder betreiben Sie es mit reduzierter Taktfrequenz.

Hinweis: Bitte stellen Sie sicher, dass Sie den Coral USB Accelerator über usb 3.0 port (for faster speed) . Wenn der Coral USB Accelerator während der Installation und Einrichtung angeschlossen war, trennen Sie ihn bitte und schließen Sie ihn erneut an, um proper configuration.

Modelle

Um die Leistungsfähigkeit der detection , segmentation und classification mit dieser Bibliothek zu nutzen, benötigen Sie ein Edge TPU-kompatibles .tflite-Modell. Diese Modelle sollten mit Ultralytics exportiert werden, um eine nahtlose Integration mit der Edge-TPU-Silva-Bibliothek sicherzustellen.

HINWEIS: Bitte beachten Sie, dass der beim YOLO-Export angegebene imgsz Wert mit dem gleichen Wert übereinstimmen sollte, der beim Definieren von imgsz für einen der Prozesse verwendet wurde. Die Konsistenz dieser Einstellungen ist für eine optimale Leistung von entscheidender Bedeutung.

Kleinere Modelle laufen schneller, haben aber möglicherweise eine geringere Genauigkeit, während größere Modelle langsamer laufen, aber normalerweise eine höhere Genauigkeit aufweisen. Entdecken Sie die Möglichkeiten des Edge Computing mit den folgenden Modellen mithilfe der Edge-TPU-Silva-Bibliothek.

Download-Link	Verfahren	Basismodell	imgsz	Objektklassen
Modell herunterladen	Erkennung	yolov8n.pt	240	COCO128
Modell herunterladen	Segmentierung	yolov8n-seg.pt	240	COCO128
Modell herunterladen	Erkennung	yolov8n.pt	192	COCO128
Modell herunterladen	Segmentierung	yolov8n-seg.pt	192	COCO128
Modell herunterladen	Einstufung	yolov8n-cls.pt	640	ImageNet
Modell herunterladen	Erkennung	yolov9c.pt	240	COCO128

HINWEIS: Das YOLOv9-Modell, insbesondere die Version YOLOv9c.pt, ist beträchtlich groß, was dazu führt, dass auch die TensorFlow Lite-Version recht groß ist. Dadurch ist die Verarbeitungsgeschwindigkeit auf einem Edge-TPU vergleichsweise langsamer.

Verwendung

Objekterkennungsprozess

Um eine Objekterkennung mit der Funktion process_detection durchzuführen, können Sie diesem Beispiel folgen:

 from edge_tpu_silva import process_detection

# Run the object detection process
outs = process_detection ( model_path = 'path/to/your/model.tflite' , input_path = 'path/to/your/input/video.mp4' , imgsz = 192 )

for _ , _ in outs :
  pass 

process_detection im Terminal ausführen: Verwendung des Einstiegspunkts „silvatpu“

Um die Objekterkennung mit der Funktion process_detection über die Befehlszeile durchzuführen, können Sie den benutzerfreundlichen Einstiegspunkt silvatpu verwenden. Hier ist ein Beispielbefehl:

silvatpu -p det -m path/to/model.tflite -i path/to/input/video.mp4 -z 192 -t 0.5 -v True

Objektsegmentierungsprozess

Um eine Objektsegmentierung mit der Funktion process_segmentation durchzuführen, können Sie diesem Beispiel folgen:

 from edge_tpu_silva import process_segmentation

# Run the object segmentation process
outs = process_segmentation ( model_path = 'path/to/your/model.tflite' , input_path = 'path/to/your/input/video.mp4' , imgsz = 192 )

for _ , _ in outs :
  pass 

process_segmentation im Terminal ausführen: Verwendung des Einstiegspunkts „silvatpu“

Um eine Objektsegmentierung mit der Funktion process_segmentation über die Befehlszeile durchzuführen, können Sie den benutzerfreundlichen Einstiegspunkt silvatpu verwenden. Hier ist ein Beispielbefehl:

silvatpu -p seg -m path/to/model.tflite -i path/to/input/video.mp4 -z 192 -t 0.5 -v True

detection , segmentation und classification Funktionseingabeparameter

Parameter	Beschreibung	Standardwert
model_path	Pfad zum Objektsegmentierungsmodell.	-
input_path	Dateipfad des zu verarbeitenden Bildes/Videos (Kamera(0|1|2)).	-
imgsz	Definiert die Bildgröße für die Inferenz.	-
threshold	Schwellenwert für erkannte Objekte.	0.4
verbose	Ausdrucke auf dem Terminal anzeigen.	True
show	Anzeigerahmen mit Segmentierung.	False
classes	Filtert Vorhersagen nach einer Reihe von Klassen-IDs.	None

detection , segmentation und classification Funktionsausgabe

Jede Prozessfunktion liefert die folgende Ausgabe:

Ausgabeparameter	Beschreibung
objs_lst	Liste der im Frame erkannten Objekte.
fps	Bilder pro Sekunde (fps) des verarbeiteten Frames.

Beispielverwendung:

 from edge_tpu_silva import process_detection

# Run the object detection process
outs = process_detection ( model_path = 'path/to/your/model.tflite' , input_path = 'path/to/your/input/video.mp4' , imgsz = 192 )

for objs_lst , fps in outs :
    # Access the output parameters as needed
    print ( f"Processed frame with { len ( objs_lst ) } objects. FPS: { fps } " )
    print ( "List of object predictions in frame:" )
    print ( objs_lst )

Beitrag

Beiträge sind willkommen! Wenn Sie Probleme finden oder Verbesserungsvorschläge haben, öffnen Sie bitte ein Problem oder senden Sie eine Pull-Anfrage.

Betreuer des Python-Paketindex (c) [2024] David Nyarko