Unduh edge tpu silva - unduh kode sumber edge tpu silva

edge tpu silva

Kode sumber lainnya

v1.0.5

Unduh

Kekuatan `Coral Edge TPU` dan `Ultralytics` semuanya ada di satu tempat: `edge-tpu-silva` .

Edge-tpu-silva kami adalah paket Python yang menyederhanakan instalasi ketergantungan USB Coral TPU dan memastikan kompatibilitas dengan PyCoral dan Ultralytics. Paket ini memberdayakan kemampuan detection objek, segmentation , dan classification pada berbagai perangkat edge untuk mencapai FPS (Kecepatan Prosesor Waktu Nyata) yang lebih tinggi.

Persyaratan Perangkat Keras

Coral USB Accelerator Exclusivity :

Pustaka edge-tpu-silva dibuat khusus untuk integrasi tanpa batas dengan Coral USB Accelerator. Akselerator perangkat keras yang kuat ini bukan sekadar persyaratan namun merupakan pilihan strategis, membuka potensi penuh perpustakaan untuk detection , segmentation , dan classification objek yang unggul.

Temukan Coral USB Accelerator dan rasakan pendekatan yang disesuaikan untuk komputasi edge dengan perpustakaan edge-tpu-silva.

Lakukan Ini Sebelum Menginstal Paket

Paket edge-tpu-silva hanya dapat dipadatkan dengan python versions <3.10 . Instal versi python tertentu jika versi python Anda tidak kompatibel.

Contoh: Untuk Raspberry Pi Anda bisa Klik Untuk instruksi tentang cara menginstal versi python tertentu menggunakan pyenv

Catatan: Python 3.6 hingga 3.9 Direkomendasikan, Klik tautan di atas tentang cara menginstal versi python tertentu

Catatan: Pastikan Raspberry Pi Anda mutakhir. Untuk melakukannya, jalankan perintah di bawah ini di terminal.
sudo apt-get update
sudo apt-get upgrade

Instalasi

Jalankan kode bash di bawah ini di terminal Anda untuk membuat dan mengaktifkan lingkungan virtual baru bernama .venv . Pastikan Anda berada di direktori spesifik yang Anda inginkan untuk menginstal lingkungan ini.

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

Instalasi

Langkah 1: Instal edge-tpu-silva

Untuk menginstal edge-tpu-silva , gunakan perintah pip berikut di lingkungan python tertentu:

pip install edge-tpu-silva

Langkah 2: Jalankan Perintah Pengaturan

Kompatibilitas Sistem

Tabel ini memberikan gambaran umum tentang kompatibilitas sistem dengan berbagai perangkat dan sistem operasi.

	Kesesuaian	Perintah Pengaturan
Raspberi Pi 5	✔	silvatpu-linux-setup
Raspberi Pi 4	✔	silvatpu-linux-setup
Raspberi Pi 3	✔	silvatpu-linux-setup
Jetson Nano	✔	silvatpu-linux-setup
jendela
macOS

Untuk mengonfigurasi alat pengaturan untuk sistem Anda, jalankan perintah pengaturan di terminal setelah langkah 1 selesai.

Contoh: Jika Anda menggunakan Raspberry Pi 5, jalankan perintah di bawah ini di terminal dengan mengikuti langkah 1.

silvatpu-linux-setup

Perintah ini menginstal runtime Edge TPU standar untuk Linux, menjalankan perangkat pada frekuensi clock yang dikurangi. Alternatifnya, Anda dapat menginstal versi untuk kecepatan maksimum, namun hati-hati terhadap peningkatan konsumsi daya dan panas perangkat. Jika tidak yakin, pertahankan frekuensi yang dikurangi demi keamanan. Untuk mengatur waktu proses frekuensi maksimum, tentukan kecepatan perintah pengaturan ke max .

silvatpu-linux-setup --speed max

Anda tidak dapat menginstal kedua versi runtime secara bersamaan, tetapi Anda dapat beralih hanya dengan menginstal runtime alternatif seperti yang ditunjukkan di atas

Perhatian: Menggunakan Akselerator USB pada frekuensi jam maksimum dapat membuatnya sangat panas. Untuk mencegah luka bakar, jauhkan dari jangkauan atau operasikan pada frekuensi jam yang lebih rendah.

Catatan: Pastikan Anda memiliki Coral USB Accelerator yang terhubung melalui usb 3.0 port (for faster speed) . Jika Coral USB Accelerator terhubung selama instalasi dan pengaturan, harap putuskan sambungan dan sambungkan kembali untuk memastikan proper configuration.

Model

Untuk memanfaatkan kecanggihan detection objek, segmentation , dan classification dengan pustaka ini, Anda memerlukan model .tflite yang kompatibel dengan Edge TPU. Model ini harus diekspor menggunakan Ultralytics , memastikan integrasi yang lancar dengan perpustakaan edge-tpu-silva.

CATATAN: Perlu diketahui bahwa nilai imgsz yang ditentukan selama ekspor YOLO harus selaras dengan nilai yang sama yang digunakan saat mendefinisikan imgsz untuk proses apa pun. Konsistensi dalam pengaturan ini sangat penting untuk performa optimal.

Model yang lebih kecil akan berjalan lebih cepat namun mungkin memiliki akurasi yang lebih rendah, sedangkan model yang lebih besar akan berjalan lebih lambat namun biasanya memiliki akurasi yang lebih tinggi. Jelajahi kemampuan komputasi edge dengan model di bawah ini menggunakan pustaka edge-tpu-silva.

Tautan Unduh	Proses	Model Dasar	imgsz	Kelas Objek
Unduh Model	Deteksi	yolov8n.pt	`240`	COCO128
Unduh Model	Segmentasi	yolov8n-seg.pt	`240`	COCO128
Unduh Model	Deteksi	yolov8n.pt	`192`	COCO128
Unduh Model	Segmentasi	yolov8n-seg.pt	`192`	COCO128
Unduh Model	Klasifikasi	yolov8n-cls.pt	`640`	GambarNet
Unduh Model	Deteksi	yolov9c.pt	`240`	COCO128

CATATAN: Model YOLOv9, khususnya versi YOLOv9c.pt, berukuran besar, sehingga versi TensorFlow Lite juga berukuran cukup besar. Akibatnya, kecepatan pemrosesan pada Edge TPU relatif lebih lambat.

Penggunaan

Proses Deteksi Objek

Untuk melakukan deteksi objek menggunakan fungsi process_detection , Anda dapat mengikuti contoh ini:

 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

Menjalankan `process_detection` di Terminal: Menggunakan Entry Point "silvatpu"

Untuk melakukan deteksi objek dengan fungsi process_detection dari baris perintah, Anda dapat menggunakan titik masuk silvatpu yang mudah digunakan. Berikut contoh perintahnya:

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

Proses Segmentasi Objek

Untuk melakukan segmentasi objek menggunakan fungsi process_segmentation , Anda dapat mengikuti contoh berikut:

 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

Menjalankan `process_segmentation` di Terminal: Menggunakan Entry Point "silvatpu"

Untuk melakukan segmentasi objek dengan fungsi process_segmentation dari baris perintah, Anda dapat menggunakan titik masuk silvatpu yang mudah digunakan. Berikut contoh perintahnya:

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

`detection` proses, `segmentation` dan `classification` Parameter Input Fungsi

Parameter	Keterangan	Nilai Bawaan
`model_path`	Jalur menuju model segmentasi objek.	-
`input_path`	Jalur file gambar/video yang akan diproses (Kamera(0\|1\|2)).	-
`imgsz`	Menentukan ukuran gambar untuk inferensi.	-
`threshold`	Ambang batas untuk objek yang terdeteksi.	`0.4`
`verbose`	Tampilkan cetakan ke terminal.	`True`
`show`	Bingkai tampilan dengan segmentasi.	`False`
`classes`	Memfilter prediksi ke sekumpulan ID kelas.	`None`

`detection` proses, `segmentation` dan `classification` Fungsi Keluaran

Setiap fungsi proses menghasilkan output berikut:

Parameter Keluaran	Keterangan
`objs_lst`	Daftar objek yang terdeteksi dalam bingkai.
`fps`	Frame per detik (fps) dari frame yang diproses.

Contoh penggunaan:

 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 )