边缘TPU席尔瓦

Coral Edge TPU和Ultralytics的强大功能集于一处： edge-tpu-silva 。

我们的edge-tpu-silva是一个Python包，它简化了Coral TPU USB依赖项的安装，并确保与PyCoral和Ultralytics的兼容性。该软件包支持各种边缘设备上的对象detection 、 segmentation和classification功能，以实现更高的FPS （实时处理器速度）。

硬件要求

Coral USB Accelerator Exclusivity ：

Edge-tpu-silva 库专为与 Coral USB 加速器无缝集成而构建。这种强大的硬件加速器不仅是一种要求，而且是一种战略选择，可以释放该库在卓越的对象detection 、 segmentation和classification的全部潜力。

探索 Coral USB 加速器并体验使用 edge-tpu-silva 库定制的边缘计算方法。

在安装软件包之前执行此操作

edge-tpu-silva包只能与python versions <3.10兼容。如果您的 python 版本不兼容，请安装特定的 python 版本。

示例：对于Raspberry Pi您可以单击 有关如何使用 pyenv 安装特定 python 版本的说明

注意：推荐使用Python 3.6到3.9，点击上面的链接了解如何安装特定的Python版本

注意：确保您的 Raspberry Pi 是最新的。为此，请在终端中运行以下命令。

sudo apt-get update

sudo apt-get upgrade

安装

在终端中运行下面的 bash 代码来创建并激活名为.venv的新虚拟环境。确保您位于想要安装此环境的特定目录中。

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

安装

步骤1：安装edge-tpu-silva

要安装edge-tpu-silva ，请在指定的 python 环境中使用以下 pip 命令：

pip install edge-tpu-silva

第 2 步：运行设置命令

系统兼容性

此表概述了系统与不同设备和操作系统的兼容性。

	兼容性	设置命令
树莓派5	✔	silvatpu-linux-设置
树莓派4	✔	silvatpu-linux-设置
树莓派3	✔	silvatpu-linux-设置
杰特森纳米	✔	silvatpu-linux-设置
视窗
macOS

要为您的系统配置设置工具，请在完成步骤 1 后在终端中运行设置命令。

示例：如果您使用的是 Raspberry Pi 5，请按照步骤 1 在终端中运行以下命令。

silvatpu-linux-setup

该命令安装适用于 Linux 的标准 Edge TPU 运行时，以降低的时钟频率运行设备。或者，您可以安装最高速度的版本，但要小心功耗和设备热量的增加。如果不确定，为了安全起见，请坚持降低频率。要安装最大频率运行时间，请将设置命令的速度指定为max 。

silvatpu-linux-setup --speed max

您不能同时安装两个版本的运行时，但您可以通过简单地安装备用运行时来进行切换，如上所示

注意：以最大时钟频率使用 USB 加速器可能会导致其过热。为防止烧伤，请将其放在够不到的地方或以降低的时钟频率运行。

注意：请确保您已通过 USB 3.0 端口连接Coral USB Accelerator usb 3.0 port (for faster speed) 。如果在安装和设置过程中连接了 Coral USB 加速器，请断开并重新连接以确保proper configuration.

型号

要利用此库发挥对象detection 、 segmentation和classification的强大功能，您需要一个与 Edge TPU 兼容的 .tflite 模型。这些模型应使用Ultralytics导出，确保与 edge-tpu-silva 库无缝集成。

注意：请注意，YOLO 导出期间指定的imgsz值应与为任何进程定义imgsz时使用的相同值一致。这些设置的一致性对于获得最佳性能至关重要。

较小的模型运行速度较快，但精度可能较低，而较大的模型运行速度较慢，但​​精度通常较高。使用edge-tpu-silva 库探索以下模型的边缘计算功能。

下载链接	过程	基础型号	伊姆格斯兹	对象类
下载模型	检测	yolov8n.pt	240	可可128
下载模型	分割	yolov8n-seg.pt	240	可可128
下载模型	检测	yolov8n.pt	192	可可128
下载模型	分割	yolov8n-seg.pt	192	可可128
下载模型	分类	yolov8n-cls.pt	640	图像网
下载模型	检测	yolov9c.pt	240	可可128

注意： YOLOv9 模型，尤其是 YOLOv9c.pt 版本，体积很大，这导致其 TensorFlow Lite 版本也相当大。因此，它在 Edge TPU 上的处理速度相对较慢。

用法

物体检测过程

要使用process_detection函数执行对象检测，您可以按照以下示例操作：

 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 

在终端中运行process_detection ：使用入口点“silvatpu”

要从命令行使用process_detection函数执行对象检测，您可以使用用户友好的入口点silvatpu 。这是一个示例命令：

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

对象分割过程

要使用process_segmentation函数执行对象分割，您可以按照以下示例操作：

 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 

在终端中运行process_segmentation ：使用入口点“silvatpu”

要从命令行使用process_segmentation函数执行对象分割，您可以使用用户友好的入口点silvatpu 。这是一个示例命令：

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

过程detection 、 segmentation和classification函数 输入参数

范围	描述	默认值
model_path	对象分割模型的路径。	-
input_path	要处理的图像/视频的文件路径（相机（0|1|2））。	-
imgsz	定义用于推理的图像大小。	-
threshold	检测到的对象的阈值。	0.4
verbose	显示打印到终端。	True
show	带分段的显示框架。	False
classes	将预测过滤为一组类 ID。	None

过程detection 、 segmentation和classification功能输出

每个处理函数都会产生以下输出：

输出参数	描述
objs_lst	帧中检测到的对象列表。
fps	已处理帧的每秒帧数 (fps)。

用法示例：

 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 )

贡献

欢迎贡献！如果您发现任何问题或有改进建议，请提出问题或提交拉取请求。

Python 包索引维护者 (c) [2024] David Nyarko