edge tpu silva

Вся мощь Coral Edge TPU и Ultralytics в одном месте: edge-tpu-silva .

Наш Edge-tpu-silva — это пакет Python, который упрощает установку USB-зависимости Coral TPU и обеспечивает совместимость с PyCoral и Ultralytics. Этот пакет расширяет возможности detection , segmentation и classification объектов на различных периферийных устройствах для достижения более высокого FPS (скорости процессора в реальном времени).

Требования к оборудованию

Coral USB Accelerator Exclusivity :

Библиотека Edge-TPU-silva специально создана для плавной интеграции с Coral USB Accelerator. Этот мощный аппаратный ускоритель — это не просто необходимость, а стратегический выбор, раскрывающий весь потенциал библиотеки для превосходного detection , segmentation и classification объектов.

Откройте для себя Coral USB Accelerator и испытайте индивидуальный подход к периферийным вычислениям с помощью библиотеки Edge-TPU-silva.

Сделайте это перед установкой пакета

Пакет edge-tpu-silva сжимается только с python versions <3.10 . Установите конкретную версию Python, если ваша версия Python несовместима.

Пример: для Raspberry Pi вы можете нажать «Чтобы получить инструкции по установке конкретной версии Python с помощью pyenv».

Примечание. Рекомендуется использовать Python 3.6–3.9. Нажмите на ссылку выше, чтобы узнать, как установить конкретную версию Python.

Примечание. Убедитесь, что на вашем Raspberry Pi установлена ​​последняя версия. Для этого выполните команду ниже в терминале.

sudo apt-get update

sudo apt-get upgrade

Установка

Запустите приведенный ниже код bash в своем терминале, чтобы создать и активировать новую виртуальную среду с именем .venv . Убедитесь, что вы находитесь в конкретном каталоге, в котором хотите установить эту среду.

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

Установка

Шаг 1. Установите Edge-TPU-silva.

Чтобы установить Edge-tpu-silva , используйте следующую команду pip в указанной среде Python:

pip install edge-tpu-silva

Шаг 2. Запустите команду установки.

Совместимость системы

В этой таблице представлен обзор совместимости системы с различными устройствами и операционными системами.

	Совместимость	Команда настройки
Малиновый Пи 5	✔	silvatpu-linux-настройка
Малиновый Пи 4	✔	silvatpu-linux-настройка
Малиновый Пи 3	✔	silvatpu-linux-настройка
Джетсон Нано	✔	silvatpu-linux-настройка
Окна
macOS

Чтобы настроить инструменты настройки для вашей системы, запустите команду настройки в терминале после завершения шага 1.

Пример: если вы используете Raspberry Pi 5, выполните команду ниже в терминале, выполнив шаг 1.

silvatpu-linux-setup

Команда устанавливает стандартную среду выполнения Edge TPU для Linux, запуская устройство на пониженной тактовой частоте. Как вариант, можно установить версию для максимальной скорости, но будьте осторожны с повышенным энергопотреблением и нагревом устройства. Если вы не уверены, в целях безопасности придерживайтесь пониженной частоты. Чтобы установить максимальную частоту работы, укажите в команде настройки скорость max .

silvatpu-linux-setup --speed max

Вы не можете установить обе версии среды выполнения одновременно, но вы можете переключиться, просто установив альтернативную среду выполнения, как показано выше.

Внимание: использование USB-ускорителя на максимальной тактовой частоте может привести к его опасному перегреву. Во избежание ожогов держите его в недоступном месте или используйте на пониженной тактовой частоте.

Примечание. Убедитесь, что Coral USB Accelerator подключен через usb 3.0 port (for faster speed) . Если Coral USB Accelerator был подключен во время установки и настройки, отключите и снова подключите его, чтобы обеспечить proper configuration.

Модели

Чтобы раскрыть возможности detection , segmentation и classification объектов с помощью этой библиотеки, вам понадобится модель .tflite, совместимая с Edge TPU. Эти модели следует экспортировать с помощью Ultralytics , обеспечивая плавную интеграцию с библиотекой Edge-TPU-silva.

ПРИМЕЧАНИЕ. Имейте в виду, что значение imgsz указанное во время экспорта YOLO, должно совпадать с тем же значением, которое использовалось при определении imgsz для любого из процессов. Последовательность этих настроек имеет решающее значение для оптимальной производительности.

Меньшие модели будут работать быстрее, но могут иметь меньшую точность, тогда как более крупные модели будут работать медленнее, но обычно имеют более высокую точность. Изучите возможности периферийных вычислений с помощью приведенных ниже моделей, используя библиотеку Edge-TPU-silva.

Ссылка для скачивания	Процесс	Базовая модель	imgsz	Классы объектов
Скачать модель	Обнаружение	yolov8n.pt	240	КОКО128
Скачать модель	Сегментация	yolov8n-seg.pt	240	КОКО128
Скачать модель	Обнаружение	yolov8n.pt	192	КОКО128
Скачать модель	Сегментация	yolov8n-seg.pt	192	КОКО128
Скачать модель	Классификация	yolov8n-cls.pt	640	ImageNet
Скачать модель	Обнаружение	yolov9c.pt	240	КОКО128

ПРИМЕЧАНИЕ. Модель YOLOv9, особенно версия YOLOv9c.pt, имеет значительный размер, что приводит к тому, что ее версия TensorFlow Lite также является довольно большой. В результате скорость обработки данных на Edge TPU сравнительно ниже.

Использование

Процесс обнаружения объектов

Чтобы выполнить обнаружение объекта с помощью process_detection , вы можете следовать этому примеру:

 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 

Запуск process_detection в терминале: использование точки входа «silvatpu»

Чтобы выполнить обнаружение объектов с помощью process_detection из командной строки, вы можете использовать удобную точку входа silvatpu . Вот пример команды:

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

Процесс сегментации объектов

Чтобы выполнить сегментацию объекта с помощью process_segmentation , вы можете следовать этому примеру:

 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 

Запуск process_segmentation в терминале: использование точки входа «silvatpu»

Чтобы выполнить сегментацию объекта с помощью process_segmentation из командной строки, вы можете использовать удобную точку входа silvatpu . Вот пример команды:

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

detection процесса, segmentation и classification Входные параметры функции

Параметр	Описание	Значение по умолчанию
model_path	Путь к модели сегментации объекта.	-
input_path	Путь к файлу изображения/видео для обработки (Камера(0|1|2)).	-
imgsz	Определяет размер изображения для вывода.	-
threshold	Порог обнаружения объектов.	0.4
verbose	Дисплей печатает на терминале.	True
show	Рамка дисплея с сегментацией.	False
classes	Фильтрует прогнозы по набору идентификаторов классов.	None

detection процесса, segmentation и classification Функция Выход

Каждая функция процесса дает следующий результат:

Выходной параметр	Описание
objs_lst	Список объектов, обнаруженных в кадре.
fps	Количество кадров в секунду (fps) обрабатываемого кадра.

Пример использования:

 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 )

Вклад

Вклады приветствуются! Если вы обнаружите какие-либо проблемы или у вас есть предложения по улучшению, откройте проблему или отправьте запрос на включение.

Специалист по обслуживанию индекса пакетов Python (c) [2024] Дэвид Ньярко