edge tpu silva下載 - edge tpu silva原始碼下載

edge tpu silva

其他源碼

v1.0.5

下載

`Coral Edge TPU`和`Ultralytics`的強大功能集於一處： `edge-tpu-silva` 。

我們的edge-tpu-silva是一個Python包，它簡化了Coral TPU USB依賴項的安裝，並確保與PyCoral和Ultralytics的兼容性。該軟體包支援各種邊緣設備上的物件detection 、 segmentation和classification功能，以實現更高的FPS （即時處理器速度）。

硬體需求

Coral USB Accelerator Exclusivity ：

Edge-tpu-silva 庫專為與 Coral USB 加速器無縫整合而建置。這種強大的硬體加速器不僅是一種要求，而且是一種策略選擇，可以釋放該程式庫在卓越的物件detection 、 segmentation和classification的全部潛力。

探索 Coral USB 加速器並體驗使用 edge-tpu-silva 庫自訂的邊緣運算方法。

在安裝軟體包之前執行此操作

edge-tpu-silva包只能與python versions <3.10相容。如果您的 python 版本不相容，請安裝特定的 python 版本。

範例：對於Raspberry Pi您可以按一下有關如何使用 pyenv 安裝特定 python 版本的說明

注意：建議使用Python 3.6到3.9，點擊上面的連結了解如何安裝特定的Python版本

注意：確保您的 Raspberry Pi 是最新的。為此，請在終端機中執行以下命令。
sudo apt-get update
sudo apt-get upgrade

安裝

在終端機中執行下面的 bash 程式碼來建立並啟動名為.venv的新虛擬環境。確保您位於想要安裝此環境的特定目錄中。

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

安裝

步驟1：安裝edge-tpu-silva

若要安裝edge-tpu-silva ，請在指定的 python 環境中使用下列 pip 指令：

pip install edge-tpu-silva

第 2 步：運行設定命令

系統相容性

此表概述了系統與不同設備和作業系統的兼容性。

	相容性	設定命令
樹莓派5	✔	silvatpu-linux-設置
樹莓派4	✔	silvatpu-linux-設置
樹莓派3	✔	silvatpu-linux-設置
傑特森納米	✔	silvatpu-linux-設置
視窗
macOS

若要為您的系統配置設定工具，請在完成步驟 1 後在終端機中執行設定命令。

範例：如果您使用的是 Raspberry Pi 5，請依照步驟 1 在終端機中執行以下命令。

silvatpu-linux-setup

此命令安裝適用於 Linux 的標準 Edge TPU 運行時，以降低的時脈頻率運行設備。或者，您可以安裝最高速度的版本，但請小心功耗和設備熱量的增加。如果不確定，為了安全起見，請堅持降低頻率。若要安裝最大頻率運行時間，請將設定指令的速度指定為max 。

silvatpu-linux-setup --speed max

您不能同時安裝兩個版本的運行時，但您可以透過簡單地安裝備用運行時來進行切換，如上所示

注意：以最大時脈頻率使用 USB 加速器可能會導致其過熱。為防止燒傷，請將其放在夠不到的地方或以降低的時脈頻率運作。

注意：請確保您已透過 USB 3.0 連接埠連接Coral USB Accelerator usb 3.0 port (for faster speed) 。如果在安裝和設定過程中連接了 Coral USB 加速器，請中斷並重新連接以確保proper configuration.

型號

要利用此程式庫發揮物件detection 、 segmentation和classification的強大功能，您需要一個與 Edge TPU 相容的 .tflite 模型。這些模型應使用Ultralytics導出，確保與 edge-tpu-silva 庫無縫整合。

注意：請注意，YOLO 匯出期間指定的imgsz值應與為任何程序定義imgsz時所使用的相同值一致。這些設定的一致性對於獲得最佳效能至關重要。

較小的模型運行速度較快，但精度可能較低，而較大的模型運行速度較慢，但精度通常較高。使用edge-tpu-silva 函式庫探索以下模型的邊緣運算功能。

下載連結	過程	基本型號	伊姆格斯茲	物件類別
下載模型	偵測	yolov8n.pt	`240`	可可128
下載模型	分割	yolov8n-seg.pt	`240`	可可128
下載模型	偵測	yolov8n.pt	`192`	可可128
下載模型	分割	yolov8n-seg.pt	`192`	可可128
下載模型	分類	yolov8n-cls.pt	`640`	影像網
下載模型	偵測	yolov9c.pt	`240`	可可128

注意： YOLOv9 模型，尤其是 YOLOv9c.pt 版本，體積很大，這導致其 TensorFlow Lite 版本也相當大。因此，它在 Edge TPU 上的處理速度相對較慢。

用法

物體檢測過程

若要使用process_detection函數執行物件偵測，您可以依照下列範例操作：

 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

在終端機中執行`process_detection` ：使用入口點“silvatpu”

若要從命令列使用process_detection函數執行物件偵測，您可以使用使用者友善的入口點silvatpu 。這是一個範例命令：

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

對象分割過程

若要使用process_segmentation函數執行物件分割，您可以依照下列範例操作：

 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

在終端機中執行`process_segmentation` ：使用入口點“silvatpu”

若要從命令列使用process_segmentation函數執行物件分割，您可以使用使用者友善的入口點silvatpu 。這是一個範例命令：

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

製程`detection` 、 `segmentation`與`classification`函數輸入參數

範圍	描述	預設值
`model_path`	物件分割模型的路徑。	-
`input_path`	要處理的影像/影片的檔案路徑（相機（0\|1\|2））。	-
`imgsz`	定義用於推理的圖像大小。	-
`threshold`	偵測到的對象的閾值。	`0.4`
`verbose`	顯示列印到終端。	`True`
`show`	帶分段的顯示框架。	`False`
`classes`	將預測過濾為一組類別 ID。	`None`

製程`detection` 、 `segmentation`和`classification`功能輸出

每個處理函數都會產生以下輸出：

輸出參數	描述
`objs_lst`	幀中偵測到的物件清單。
`fps`	已處理幀的每秒幀數 (fps)。

用法範例：

 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 )