edge tpu silva

El poder de Coral Edge TPU y Ultralytics todo en un solo lugar: edge-tpu-silva .

Nuestro edge-tpu-silva es un paquete de Python que simplifica la instalación de la dependencia USB Coral TPU y garantiza la compatibilidad con PyCoral y Ultralytics. Este paquete potencia las capacidades de detection , segmentation y classification de objetos en varios dispositivos periféricos para lograr una mayor FPS (velocidad del procesador en tiempo real).

Requisito de hardware

Coral USB Accelerator Exclusivity :

La biblioteca edge-tpu-silva está diseñada específicamente para una integración perfecta con Coral USB Accelerator. Este potente acelerador de hardware no es sólo un requisito sino una elección estratégica, que libera todo el potencial de la biblioteca para detection , segmentation y classification superiores de objetos.

Descubra Coral USB Accelerator y experimente un enfoque personalizado para la informática de punta con la biblioteca edge-tpu-silva.

Haga esto antes de instalar el paquete

El paquete edge-tpu-silva solo se puede compactar con python versions <3.10 . Instale una versión específica de Python si su versión de Python no es compatible.

Ejemplo: para Raspberry Pi puede hacer clic para obtener instrucciones sobre cómo instalar una versión específica de Python usando pyenv.

Nota: Se recomienda Python 3.6 a 3.9. Haga clic en el enlace de arriba para saber cómo instalar una versión específica de Python.

Nota: asegúrese de que su Raspberry Pi esté actualizada. Para hacerlo, ejecute el siguiente comando en la terminal.

sudo apt-get update

sudo apt-get upgrade

Instalación

Ejecute el siguiente código bash en su terminal para crear y activar un nuevo entorno virtual llamado .venv . Asegúrese de estar en el directorio específico donde desea que se instale este entorno.

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

Instalación

Paso 1: Instale edge-tpu-silva

Para instalar edge-tpu-silva , use el siguiente comando pip en un entorno Python específico:

pip install edge-tpu-silva

Paso 2: ejecutar el comando de configuración

Compatibilidad del sistema

Esta tabla proporciona una descripción general de la compatibilidad del sistema con diferentes dispositivos y sistemas operativos.

	Compatibilidad	Comando de configuración
Frambuesa Pi 5	✔	configuración-linux-silvatpu
Frambuesa Pi 4	✔	configuración-linux-silvatpu
Frambuesa Pi 3	✔	configuración-linux-silvatpu
Supersónico Nano	✔	configuración-linux-silvatpu
ventanas
macos

Para configurar las herramientas de configuración para su sistema, ejecute el comando de configuración en la terminal después de completar el paso 1.

Ejemplo: si está en una Raspberry Pi 5, ejecute el siguiente comando en la terminal después del paso 1.

silvatpu-linux-setup

El comando instala el tiempo de ejecución estándar de Edge TPU para Linux, ejecutando el dispositivo a una frecuencia de reloj reducida. Alternativamente, puede instalar una versión para máxima velocidad, pero tenga cuidado con el aumento del consumo de energía y el calor del dispositivo. Si no está seguro, respete la frecuencia reducida por seguridad. Para instalar el tiempo de ejecución de frecuencia máxima, especifique la velocidad del comando de configuración al max .

silvatpu-linux-setup --speed max

No puede tener ambas versiones del tiempo de ejecución instaladas al mismo tiempo, pero puede cambiar simplemente instalando el tiempo de ejecución alternativo como se muestra arriba.

Precaución: El uso del acelerador USB a la máxima frecuencia de reloj puede calentarlo peligrosamente. Para evitar quemaduras, manténgalo fuera del alcance o utilícelo a una frecuencia de reloj reducida.

Nota: asegúrese de tener el Coral USB Accelerator conectado a través usb 3.0 port (for faster speed) . Si el Coral USB Accelerator estuvo conectado durante la instalación y configuración, desconéctelo y vuelva a conectarlo para garantizar proper configuration.

Modelos

Para liberar el poder de detection , segmentation y classification de objetos con esta biblioteca, necesitará un modelo .tflite compatible con Edge TPU. Estos modelos deben exportarse utilizando Ultralytics , lo que garantiza una integración perfecta con la biblioteca edge-tpu-silva.

NOTA: Tenga en cuenta que el valor imgsz especificado durante la exportación de YOLO debe alinearse con el mismo valor utilizado al definir imgsz para cualquiera de los procesos. La coherencia en estos entornos es crucial para un rendimiento óptimo.

Los modelos más pequeños funcionarán más rápido pero pueden tener menor precisión, mientras que los modelos más grandes funcionarán más lento pero normalmente tendrán mayor precisión. Explore las capacidades de la informática de punta con los siguientes modelos utilizando la biblioteca edge-tpu-silva.

Enlace de descarga	Proceso	Modelo básico	imgsz	Clases de objetos
Descargar Modelo	Detección	yolov8n.pt	240	COCO128
Descargar Modelo	Segmentación	yolov8n-seg.pt	240	COCO128
Descargar Modelo	Detección	yolov8n.pt	192	COCO128
Descargar Modelo	Segmentación	yolov8n-seg.pt	192	COCO128
Descargar Modelo	Clasificación	yolov8n-cls.pt	640	ImagenNet
Descargar Modelo	Detección	yolov9c.pt	240	COCO128

NOTA: El modelo YOLOv9, particularmente la versión YOLOv9c.pt, tiene un tamaño considerable, lo que hace que su versión TensorFlow Lite también sea bastante grande. Como resultado, su velocidad de procesamiento en un Edge TPU es comparativamente más lenta.

Uso

Proceso de detección de objetos

Para realizar la detección de objetos utilizando la función process_detection , puede seguir este ejemplo:

 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 

Ejecutando process_detection en la Terminal: usando el punto de entrada "silvatpu"

Para realizar la detección de objetos con la función process_detection desde la línea de comando, puede utilizar el punto de entrada fácil de usar silvatpu . Aquí hay un comando de ejemplo:

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

Proceso de segmentación de objetos

Para realizar la segmentación de objetos utilizando la función process_segmentation , puede seguir este ejemplo:

 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 

Ejecutando process_segmentation en la Terminal: usando el punto de entrada "silvatpu"

Para realizar la segmentación de objetos con la función process_segmentation desde la línea de comando, puede utilizar el punto de entrada fácil de usar silvatpu . Aquí hay un comando de ejemplo:

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

detection , segmentation y classification de procesos Función Parámetros de entrada

Parámetro	Descripción	Valor predeterminado
model_path	Ruta al modelo de segmentación de objetos.	-
input_path	Ruta del archivo de imagen/vídeo a procesar (Cámara(0|1|2)).	-
imgsz	Define el tamaño de la imagen para la inferencia.	-
threshold	Umbral para objetos detectados.	0.4
verbose	Mostrar impresiones al terminal.	True
show	Marco de visualización con segmentación.	False
classes	Filtra predicciones a un conjunto de ID de clase.	None

detection , segmentation y classification de procesos Función Salida

Cada función de proceso produce el siguiente resultado:

Parámetro de salida	Descripción
objs_lst	Lista de objetos detectados en el marco.
fps	Cuadros por segundo (fps) del cuadro procesado.

Uso de ejemplo:

 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 )

Contribución

¡Las contribuciones son bienvenidas! Si encuentra algún problema o tiene sugerencias para mejorar, abra un problema o envíe una solicitud de extracción.

Mantenedor(es) del índice de paquetes de Python (c) [2024] David Nyarko