หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด
เอดจ์ ทีพียู ซิลวา

รูปภาพหลักยูทูบ

พลังของ Coral Edge TPU และ Ultralytics รวมอยู่ในที่เดียว: edge-tpu-silva

edge-tpu-silva ของเราเป็นแพ็คเกจ Python ที่ทำให้การติดตั้งการพึ่งพา Coral TPU USB ง่ายขึ้น และรับประกันความเข้ากันได้กับ PyCoral และ Ultralytics แพ็คเกจนี้เพิ่มขีดความสามารถ detection วัตถุ segmentation และ classification หมู่บนอุปกรณ์ Edge ต่างๆ เพื่อให้ได้ FPS (ความเร็วโปรเซสเซอร์แบบเรียลไทม์) ที่สูงขึ้น

ข้อกำหนดด้านฮาร์ดแวร์

Coral USB Accelerator Exclusivity :

ไลบรารี edge-tpu-silva สร้างขึ้นโดยมีจุดประสงค์เพื่อการใช้งานร่วมกับ Coral USB Accelerator ได้อย่างราบรื่น ตัวเร่งฮาร์ดแวร์อันทรงพลังนี้ไม่ได้เป็นเพียงข้อกำหนดเท่านั้น แต่ยังเป็นตัวเลือกเชิงกลยุทธ์ ซึ่งจะช่วยปลดล็อกศักยภาพสูงสุดของไลบรารีใน detection วัตถุ segmentation และ classification ที่เหนือกว่า

ค้นพบ Coral USB Accelerator และสัมผัสประสบการณ์การประมวลผลที่ขอบโดยเฉพาะด้วยไลบรารี edge-tpu-silva

ทำสิ่งนี้ก่อนที่จะติดตั้งแพ็คเกจ

แพ็คเกจ edge-tpu-silva สามารถบีบอัดได้เฉพาะกับ python versions <3.10 เท่านั้น ติดตั้งเวอร์ชัน Python เฉพาะหากเวอร์ชัน Python ของคุณเข้ากันไม่ได้

ตัวอย่าง: สำหรับ Raspberry Pi คุณสามารถคลิกเพื่อดูคำแนะนำเกี่ยวกับวิธีการติดตั้งเวอร์ชัน Python เฉพาะโดยใช้ pyenv

หมายเหตุ: แนะนำให้ใช้ Python 3.6 ถึง 3.9 คลิกลิงก์ด้านบนเพื่อดูวิธีติดตั้งเวอร์ชัน Python เฉพาะ

หมายเหตุ: ตรวจสอบให้แน่ใจว่า Raspberry Pi ของคุณทันสมัยอยู่เสมอ โดยรันคำสั่งด้านล่างในเทอร์มินัล 

sudo apt-get update
sudo apt-get upgrade

การติดตั้ง

เรียกใช้โค้ดทุบตีด้านล่างในเทอร์มินัลของคุณเพื่อสร้างและเปิดใช้งานสภาพแวดล้อมเสมือนใหม่ชื่อ .venv ตรวจสอบให้แน่ใจว่าคุณอยู่ในไดเร็กทอรีเฉพาะที่คุณต้องการให้ติดตั้งสภาพแวดล้อมนี้ 

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

การติดตั้ง

ขั้นตอนที่ 1: ติดตั้ง edge-tpu-silva

หากต้องการติดตั้ง edge-tpu-silva ให้ใช้คำสั่ง pip ต่อไปนี้ในสภาพแวดล้อมหลามที่ระบุ: 

pip install edge-tpu-silva

ขั้นตอนที่ 2: เรียกใช้คำสั่งการตั้งค่า

ความเข้ากันได้ของระบบ

ตารางนี้แสดงภาพรวมของความเข้ากันได้ของระบบกับอุปกรณ์และระบบปฏิบัติการต่างๆ

ความเข้ากันได้ คำสั่งตั้งค่า
ราสเบอร์รี่ Pi 5 silvatpu-linux-setup.php
ราสเบอร์รี่ Pi 4 silvatpu-linux-setup.php
ราสเบอร์รี่ Pi 3 silvatpu-linux-setup.php
เจ็ตสัน นาโน silvatpu-linux-setup.php
หน้าต่าง
ระบบปฏิบัติการ macOS

เพื่อกำหนดค่าเครื่องมือการตั้งค่าสำหรับระบบของคุณ ให้รันคำสั่งการตั้งค่าในเทอร์มินัลหลังจากขั้นตอนที่ 1 เสร็จสิ้น

ตัวอย่าง: หากคุณใช้ Raspberry Pi 5 ให้รันคำสั่งด้านล่างในเทอร์มินัลโดยทำตามขั้นตอนที่ 1 

silvatpu-linux-setup

คำสั่งจะติดตั้งรันไทม์ Edge TPU มาตรฐานสำหรับ Linux โดยใช้งานอุปกรณ์ด้วยความถี่สัญญาณนาฬิกาที่ลดลง หรือคุณสามารถติดตั้งเวอร์ชันสำหรับความเร็วสูงสุดได้ แต่ต้องระวังการใช้พลังงานและความร้อนของอุปกรณ์ที่เพิ่มขึ้น หากไม่แน่ใจ ให้ใช้ความถี่ที่ลดลงเพื่อความปลอดภัย หากต้องการติดตั้งรันไทม์ความถี่สูงสุด ให้ระบุความเร็วของคำสั่งการตั้งค่าเป็น max 

silvatpu-linux-setup --speed max

คุณไม่สามารถติดตั้งรันไทม์ทั้งสองเวอร์ชันพร้อมกันได้ แต่คุณสามารถสลับได้โดยเพียงแค่ติดตั้งรันไทม์สำรองตามที่แสดงด้านบน

ข้อควรระวัง: การใช้ตัวเร่งความเร็ว USB ที่ความถี่สัญญาณนาฬิกาสูงสุดอาจทำให้เครื่องร้อนจนเป็นอันตรายได้ เพื่อป้องกันการบาดเจ็บจากไฟไหม้ ให้เก็บให้พ้นมือหรือใช้งานโดยใช้ความถี่สัญญาณนาฬิกาลดลง

หมายเหตุ: โปรดตรวจสอบให้แน่ใจว่าคุณได้เชื่อมต่อ Coral USB Accelerator ผ่าน usb 3.0 port (for faster speed) หากมีการเชื่อมต่อ Coral USB Accelerator ระหว่างการติดตั้งและการตั้งค่า โปรดยกเลิกการเชื่อมต่อและเชื่อมต่อใหม่เพื่อให้แน่ใจว่า proper configuration.

โมเดล

หากต้องการปลดปล่อยพลังของ detection วัตถุ segmentation และ classification ด้วยไลบรารีนี้ คุณจะต้องมีโมเดล .tflite ที่เข้ากันได้กับ Edge TPU ควรส่งออกโมเดลเหล่านี้โดยใช้ Ultralytics เพื่อให้มั่นใจว่าสามารถผสานรวมกับไลบรารี edge-tpu-silva ได้อย่างราบรื่น

หมายเหตุ: โปรดทราบว่าค่า imgsz ที่ระบุระหว่างการส่งออก YOLO ควรสอดคล้องกับค่าเดียวกับที่ใช้เมื่อกำหนด imgsz สำหรับกระบวนการใดๆ ความสม่ำเสมอในการตั้งค่าเหล่านี้เป็นสิ่งสำคัญสำหรับประสิทธิภาพสูงสุด

รุ่นเล็กจะทำงานเร็วกว่าแต่อาจมีความแม่นยำต่ำกว่า ในขณะที่รุ่นใหญ่จะทำงานช้ากว่าแต่โดยทั่วไปจะมีความแม่นยำสูงกว่า สำรวจความสามารถของ Edge Computing ด้วยรุ่นด้านล่างโดยใช้ไลบรารี Edge-tpu-silva

ลิงค์ดาวน์โหลด กระบวนการ โมเดลพื้นฐาน imgsz คลาสออบเจ็กต์
ดาวน์โหลดโมเดล การตรวจจับ yolov8n.pt 240 โคโค่128
ดาวน์โหลดโมเดล การแบ่งส่วน yolov8n-seg.pt 240 โคโค่128
ดาวน์โหลดโมเดล การตรวจจับ yolov8n.pt 192 โคโค่128
ดาวน์โหลดโมเดล การแบ่งส่วน yolov8n-seg.pt 192 โคโค่128
ดาวน์โหลดโมเดล การจำแนกประเภท yolov8n-cls.pt 640 อิมเมจเน็ต
ดาวน์โหลดโมเดล การตรวจจับ yolov9c.pt 240 โคโค่128

หมายเหตุ: รุ่น YOLOv9 โดยเฉพาะรุ่น YOLOv9c.pt มีขนาดใหญ่มาก ซึ่งทำให้รุ่น TensorFlow Lite มีขนาดค่อนข้างใหญ่เช่นกัน ส่งผลให้ความเร็วในการประมวลผลบน Edge TPU ค่อนข้างช้ากว่า

การใช้งาน

กระบวนการตรวจจับวัตถุ

หากต้องการดำเนินการตรวจจับวัตถุโดยใช้ฟังก์ชัน process_detection คุณสามารถทำตามตัวอย่างนี้: 

 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

เรียกใช้ process_detection ใน Terminal: การใช้จุดเริ่มต้น "silvatpu"

หากต้องการดำเนินการตรวจจับอ็อบเจ็กต์ด้วยฟังก์ชัน process_detection จากบรรทัดคำสั่ง คุณสามารถใช้ entry point silvatpu ที่ใช้งานง่าย นี่คือคำสั่งตัวอย่าง: 

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

กระบวนการแบ่งส่วนวัตถุ

หากต้องการดำเนินการแบ่งส่วนออบเจ็กต์โดยใช้ฟังก์ชัน process_segmentation คุณสามารถทำตามตัวอย่างนี้: 

 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

การรัน process_segmentation ใน Terminal: การใช้จุดเริ่มต้น "silvatpu"

หากต้องการดำเนินการแบ่งส่วนอ็อบเจ็กต์ด้วยฟังก์ชัน process_segmentation จากบรรทัดรับคำสั่ง คุณสามารถใช้ entry point silvatpu ที่ใช้งานง่าย นี่คือคำสั่งตัวอย่าง: 

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

detection กระบวนการ segmentation และ classification ฟังก์ชัน พารามิเตอร์อินพุต

พารามิเตอร์ คำอธิบาย ค่าเริ่มต้น
model_path เส้นทางไปยังโมเดลการแบ่งส่วนออบเจ็กต์ -
input_path เส้นทางไฟล์ของรูปภาพ/วิดีโอที่จะประมวลผล (กล้อง(0|1|2)) -
imgsz กำหนดขนาดภาพสำหรับการอนุมาน -
threshold เกณฑ์สำหรับวัตถุที่ตรวจพบ 0.4
verbose แสดงการพิมพ์ไปยังเครื่องเทอร์มินัล True
show กรอบแสดงผลแบบแบ่งส่วน False
classes กรองการทำนายไปยังชุดรหัสคลาส None

detection กระบวนการ segmentation และ classification ฟังก์ชันเอาท์พุต

แต่ละฟังก์ชันกระบวนการให้ผลลัพธ์ต่อไปนี้:

พารามิเตอร์เอาท์พุต คำอธิบาย
objs_lst รายการวัตถุที่ตรวจพบในเฟรม
fps เฟรมต่อวินาที (fps) ของเฟรมที่ประมวลผล

ตัวอย่างการใช้งาน: 

 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 )

ผลงาน

ยินดีบริจาค! หากคุณพบปัญหาใดๆ หรือมีข้อเสนอแนะในการปรับปรุง โปรดเปิดปัญหาหรือส่งคำขอดึง

ผู้ดูแลดัชนีแพ็คเกจ Python (c) [2024] David Nyarko

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด
ความคิดเห็นจากผู้ใช้