borda tpu silva

O poder do Coral Edge TPU e Ultralytics em um só lugar: edge-tpu-silva .

Nosso edge-tpu-silva é um pacote Python que simplifica a instalação da dependência USB Coral TPU e garante compatibilidade com PyCoral e Ultralytics. Este pacote capacita recursos detection , segmentation e classification de objetos em vários dispositivos de borda para atingir FPS (velocidade do processador em tempo real) mais alto.

Requisito de hardware

Coral USB Accelerator Exclusivity :

A biblioteca edge-tpu-silva foi desenvolvida especificamente para integração perfeita com o Coral USB Accelerator. Este poderoso acelerador de hardware não é apenas um requisito, mas uma escolha estratégica, liberando todo o potencial da biblioteca para detection , segmentation e classification superiores de objetos.

Descubra o Coral USB Accelerator e experimente uma abordagem personalizada para edge computing com a biblioteca edge-tpu-silva.

Faça isso antes de instalar o pacote

O pacote edge-tpu-silva só é compactável com python versions <3.10 . Instale uma versão específica do python se a sua versão do python não for compatível.

Exemplo: para Raspberry Pi você pode clicar em Para obter instruções sobre como instalar uma versão específica do python usando pyenv

Nota: Python 3.6 a 3.9 é recomendado. Clique no link acima para saber como instalar uma versão específica do python

Observação: certifique-se de que seu Raspberry Pi esteja atualizado. Para fazer isso, execute o comando abaixo no terminal.

sudo apt-get update

sudo apt-get upgrade

Instalação

Execute o código bash abaixo em seu terminal para criar e ativar um novo ambiente virtual chamado .venv . Certifique-se de estar no diretório específico em que deseja que este ambiente seja instalado.

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

Instalação

Passo 1: Instale edge-tpu-silva

Para instalar edge-tpu-silva , use o seguinte comando pip em um ambiente python especificado:

pip install edge-tpu-silva

Etapa 2: execute o comando de configuração

Compatibilidade do sistema

Esta tabela fornece uma visão geral da compatibilidade do sistema com diferentes dispositivos e sistemas operacionais.

	Compatibilidade	Comando de configuração
Framboesa Pi 5	✔	silvatpu-linux-setup
Framboesa Pi 4	✔	silvatpu-linux-setup
Framboesa Pi 3	✔	silvatpu-linux-setup
Jetson Nano	✔	silvatpu-linux-setup
Windows
macOS

Para configurar as ferramentas de configuração do seu sistema, execute o comando setup no terminal após a conclusão da etapa 1.

Exemplo: Se você estiver em um Raspberry Pi 5, execute o comando abaixo no terminal após a etapa 1.

silvatpu-linux-setup

O comando instala o tempo de execução padrão do Edge TPU para Linux, executando o dispositivo em uma frequência de clock reduzida. Como alternativa, você pode instalar uma versão para velocidade máxima, mas tome cuidado com o aumento do consumo de energia e do aquecimento do dispositivo. Se não tiver certeza, siga a frequência reduzida por segurança. Para instalar o tempo de execução de frequência máxima, especifique a velocidade do comando de configuração como max .

silvatpu-linux-setup --speed max

Você não pode ter as duas versões do tempo de execução instaladas ao mesmo tempo, mas pode alternar simplesmente instalando o tempo de execução alternativo conforme mostrado acima.

Cuidado: Usar o acelerador USB na frequência de clock máxima pode torná-lo perigosamente quente. Para evitar queimaduras, mantenha-o fora do alcance ou opere-o com uma frequência de clock reduzida.

Nota: Certifique-se de ter o Coral USB Accelerator conectado através da usb 3.0 port (for faster speed) . Se o Coral USB Accelerator foi conectado durante a instalação e configuração, desconecte-o e reconecte-o para garantir proper configuration.

Modelos

Para liberar o poder da detection , segmentation e classification de objetos com esta biblioteca, você precisará de um modelo .tflite compatível com Edge TPU. Esses modelos devem ser exportados usando Ultralytics , garantindo uma integração perfeita com a biblioteca edge-tpu-silva.

NOTA: Esteja ciente de que o valor imgsz especificado durante a exportação YOLO deve estar alinhado com o mesmo valor usado ao definir imgsz para qualquer um dos processos. A consistência nessas configurações é crucial para um desempenho ideal.

Modelos menores serão executados mais rapidamente, mas poderão ter menor precisão, enquanto modelos maiores serão executados mais lentamente, mas normalmente terão maior precisão. Explore os recursos da computação de ponta com os modelos abaixo usando a biblioteca edge-tpu-silva.

Link para baixar	Processo	Modelo Básico	imgsz	Classes de objetos
Baixar modelo	Detecção	yolov8n.pt	240	COCO128
Baixar modelo	Segmentação	yolov8n-seg.pt	240	COCO128
Baixar modelo	Detecção	yolov8n.pt	192	COCO128
Baixar modelo	Segmentação	yolov8n-seg.pt	192	COCO128
Baixar modelo	Classificação	yolov8n-cls.pt	640	ImageNet
Baixar modelo	Detecção	yolov9c.pt	240	COCO128

NOTA: O modelo YOLOv9, particularmente a versão YOLOv9c.pt, tem um tamanho substancial, o que faz com que a sua versão TensorFlow Lite também seja bastante grande. Como resultado, sua velocidade de processamento em um Edge TPU é comparativamente mais lenta.

Uso

Processo de detecção de objetos

Para realizar a detecção de objetos usando a função process_detection , você pode seguir este exemplo:

 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 

Executando process_detection no Terminal: Usando o ponto de entrada "silvatpu"

Para realizar a detecção de objetos com a função process_detection na linha de comando, você pode usar o ponto de entrada amigável silvatpu . Aqui está um exemplo de comando:

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

Processo de segmentação de objetos

Para realizar a segmentação de objetos usando a função process_segmentation , você pode seguir este exemplo:

 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 

Executando process_segmentation no Terminal: Usando o ponto de entrada "silvatpu"

Para realizar a segmentação de objetos com a função process_segmentation na linha de comando, você pode usar o ponto de entrada amigável silvatpu . Aqui está um exemplo de comando:

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

detection , segmentation e classification de processos Parâmetros de entrada da função

Parâmetro	Descrição	Valor padrão
model_path	Caminho para o modelo de segmentação de objetos.	-
input_path	Caminho do arquivo de imagem/vídeo a ser processado (Câmera(0|1|2)).	-
imgsz	Define o tamanho da imagem para inferência.	-
threshold	Limite para objetos detectados.	0.4
verbose	Exibir impressões no terminal.	True
show	Quadro de exibição com segmentação.	False
classes	Filtra previsões para um conjunto de IDs de classe.	None

detection , segmentation e classification de processos Função Saída

Cada função de processo produz a seguinte saída:

Parâmetro de saída	Descrição
objs_lst	Lista de objetos detectados no quadro.
fps	Quadros por segundo (fps) do quadro processado.

Exemplo de uso:

 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 )

Contribuição

Contribuições são bem-vindas! Se você encontrar algum problema ou tiver sugestões de melhorias, abra um problema ou envie uma solicitação pull.

Mantenedor(es) do índice de pacotes Python (c) [2024] David Nyarko