edge tpu silva

La puissance de Coral Edge TPU et Ultralytics en un seul endroit : edge-tpu-silva .

Notre edge-tpu-silva est un package Python qui simplifie l'installation de la dépendance USB Coral TPU et assure la compatibilité avec PyCoral et Ultralytics. Ce package permet des capacités detection , segmentation et classification d'objets sur divers appareils de périphérie pour atteindre FPS (vitesse de processeur en temps réel) plus élevées.

Exigence matérielle

Coral USB Accelerator Exclusivity :

La bibliothèque edge-tpu-silva est spécialement conçue pour une intégration transparente avec l'accélérateur USB Coral. Ce puissant accélérateur matériel n'est pas seulement une exigence mais un choix stratégique, libérant tout le potentiel de la bibliothèque en matière detection , segmentation et classification d'objets supérieures.

Découvrez l'accélérateur USB Coral et expérimentez une approche personnalisée de l'informatique de pointe avec la bibliothèque edge-tpu-silva.

Faites-le avant d'installer le package

Le package edge-tpu-silva n'est compactable qu'avec python versions <3.10 . Installez une version spécifique de Python si votre version de Python n'est pas compatible.

Exemple : pour Raspberry Pi vous pouvez cliquer sur Pour obtenir des instructions sur la façon d'installer une version spécifique de Python à l'aide de pyenv

Remarque : Python 3.6 à 3.9 est recommandé. Cliquez sur le lien ci-dessus pour savoir comment installer une version spécifique de Python.

Remarque : assurez-vous que votre Raspberry Pi est à jour. Pour ce faire, exécutez la commande ci-dessous dans le terminal.

sudo apt-get update

sudo apt-get upgrade

Installation

Exécutez le code bash ci-dessous dans votre terminal pour créer et activer un nouvel environnement virtuel nommé .venv . Assurez-vous que vous vous trouvez dans le répertoire spécifique dans lequel vous souhaitez que cet environnement soit installé.

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

Installation

Étape 1 : Installer edge-tpu-silva

Pour installer edge-tpu-silva , utilisez la commande pip suivante dans un environnement python spécifié :

pip install edge-tpu-silva

Étape 2 : Exécuter la commande d'installation

Compatibilité du système

Ce tableau donne un aperçu de la compatibilité du système avec différents appareils et systèmes d'exploitation.

	Compatibilité	Commande de configuration
Framboise Pi 5	✔	configuration-silvatpu-linux
Framboise Pi 4	✔	configuration-silvatpu-linux
Framboise Pi 3	✔	configuration-silvatpu-linux
Jetson Nano	✔	configuration-silvatpu-linux
Fenêtres
macOS

Afin de configurer les outils de configuration pour votre système, exécutez la commande setup dans le terminal une fois l'étape 1 terminée.

Exemple : si vous êtes sur un Raspberry Pi 5, exécutez la commande ci-dessous dans le terminal après l'étape 1.

silvatpu-linux-setup

La commande installe le runtime Edge TPU standard pour Linux, exécutant l’appareil à une fréquence d’horloge réduite. Alternativement, vous pouvez installer une version pour une vitesse maximale, mais faites attention à l'augmentation de la consommation d'énergie et de la chaleur de l'appareil. En cas de doute, respectez la fréquence réduite pour des raisons de sécurité. Pour installer une exécution à fréquence maximale, spécifiez la vitesse de la commande setup sur max .

silvatpu-linux-setup --speed max

Vous ne pouvez pas installer les deux versions du runtime en même temps, mais vous pouvez changer en installant simplement le runtime alternatif, comme indiqué ci-dessus.

Attention : L'utilisation de l'accélérateur USB à la fréquence d'horloge maximale peut le rendre dangereusement chaud. Pour éviter les brûlures, gardez-le hors de portée ou faites-le fonctionner à une fréquence d'horloge réduite.

Remarque : Veuillez vous assurer que l' Coral USB Accelerator est connecté via usb 3.0 port (for faster speed) . Si l'accélérateur USB Coral a été connecté lors de l'installation et de la configuration, veuillez le déconnecter et le reconnecter pour garantir proper configuration.

Modèles

Pour libérer la puissance de detection , segmentation et classification d'objets avec cette bibliothèque, vous aurez besoin d'un modèle .tflite compatible Edge TPU. Ces modèles doivent être exportés à l'aide Ultralytics , garantissant une intégration transparente avec la bibliothèque edge-tpu-silva.

REMARQUE : Veuillez noter que la valeur imgsz spécifiée lors de l'exportation YOLO doit s'aligner sur la même valeur utilisée lors de la définition imgsz pour l'un des processus. La cohérence de ces paramètres est cruciale pour des performances optimales.

Les modèles plus petits fonctionneront plus rapidement mais pourront avoir une précision moindre, tandis que les modèles plus grands fonctionneront plus lentement mais auront généralement une précision plus élevée. Explorez les capacités de l'informatique de pointe avec les modèles ci-dessous à l'aide de la bibliothèque edge-tpu-silva.

Lien de téléchargement	Processus	Modèle de base	imgsz	Classes d'objets
Télécharger le modèle	Détection	yolov8n.pt	240	COCO128
Télécharger le modèle	Segmentation	yolov8n-seg.pt	240	COCO128
Télécharger le modèle	Détection	yolov8n.pt	192	COCO128
Télécharger le modèle	Segmentation	yolov8n-seg.pt	192	COCO128
Télécharger le modèle	Classification	yolov8n-cls.pt	640	ImageNet
Télécharger le modèle	Détection	yolov9c.pt	240	COCO128

REMARQUE : Le modèle YOLOv9, en particulier la version YOLOv9c.pt, est de taille importante, ce qui fait que sa version TensorFlow Lite est également assez volumineuse. En conséquence, sa vitesse de traitement sur un Edge TPU est comparativement plus lente.

Usage

Processus de détection d'objets

Pour effectuer une détection d'objet à l'aide de la fonction process_detection , vous pouvez suivre cet exemple :

 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 

Exécution process_detection dans le terminal : utilisation du point d'entrée "silvatpu"

Pour effectuer une détection d'objet avec la fonction process_detection à partir de la ligne de commande, vous pouvez utiliser le point d'entrée convivial silvatpu . Voici un exemple de commande :

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

Processus de segmentation d'objets

Pour effectuer une segmentation d'objets à l'aide de la fonction process_segmentation , vous pouvez suivre cet exemple :

 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 

Exécution process_segmentation dans le terminal : utilisation du point d'entrée "silvatpu"

Pour effectuer une segmentation d'objets avec la fonction process_segmentation à partir de la ligne de commande, vous pouvez utiliser le point d'entrée convivial silvatpu . Voici un exemple de commande :

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

detection , segmentation et classification des processus Fonction Paramètres d'entrée

Paramètre	Description	Valeur par défaut
model_path	Chemin d'accès au modèle de segmentation d'objets.	-
input_path	Chemin du fichier de l’image/vidéo à traiter (Camera(0|1|2)).	-
imgsz	Définit la taille de l’image pour l’inférence.	-
threshold	Seuil pour les objets détectés.	0.4
verbose	Afficher les impressions sur le terminal.	True
show	Cadre d'affichage avec segmentation.	False
classes	Filtre les prédictions sur un ensemble d’ID de classe.	None

detection , segmentation et classification des processus Fonction Sortie

Chaque fonction de processus génère le résultat suivant :

Paramètre de sortie	Description
objs_lst	Liste des objets détectés dans le cadre.
fps	Images par seconde (fps) de l’image traitée.

Exemple d'utilisation :

 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 )

Contribution

Les contributions sont les bienvenues ! Si vous rencontrez des problèmes ou avez des suggestions d'améliorations, veuillez ouvrir un problème ou soumettre une pull request.

Responsable(s) de l'index des packages Python (c) [2024] David Nyarko