YOLOv8は、その速度と効率性から、エッジ・デバイスやリアルタイム・アプリケーションへの展開に適している。このチュートリアルでは rknn_model_zoo to describe how to deploy YOLOv8 on Mixtile Blade 3 (hereinafter referred to as Blade 3) and perform inference.
前提条件
始める前に、あなたが持っていることを確認してください：
- Installed a Linux distribution on Blade 3 (see Installing an Operating System on Mixtile Blade 3) (this guide has tested with Ubuntu 22.04).
- Connected Blade 3 to the Internet.
このガイドは Ubuntu 22.04 Desktop.
依存関係をインストールする
sudo apt update
sudo apt install -y libopencv-dev cmake build-essential
デモとモデルのダウンロード
-
Download the demo to a desired directory on Blade 3 (let’s say the home directory):
cd ~ git clone https://github.com/airockchip/rknn_model_zoo -
ダウンロード
yolov8n.rknnモデルである：cd rknn_model_zoo/examples/yolov8/model wget https://downloads.mixtile.com/doc-files/yolov8/rk3588/yolov8n.rknnについて
yolov8n.rknn上記のモデルはyolov8n.onnxをご覧ください。 RKNNに変換).必要に応じて他のモデルを使うこともできる。
デモをコンパイルする
# go to the rknn_model_zoo directory
cd ~/rknn_model_zoo
# grant permission to build-linux.sh
chmod 777 build-linux.sh
# compile the demo
./build-linux.sh -t rk3588 -a aarch64 -d yolov8
デモがコンパイルされると、実行ファイル RKNN_YOLOV8_DEMO に出力される。 rknn_model_zoo/install/rk3588_linux_aarch64/rknn_yolov8_demo:
install
└── rk3588_linux_aarch64
└── rknn_yolov8_demo
├── lib
│ ├── librga.so
│ └── librknnrt.so
├── model
│ ├── bus.jpg
│ ├── coco_80_labels_list.txt
│ └── yolov8n.rknn
├── rknn_yolov8_demo
└── rknn_yolov8_demo_zero_copy
推論を行う
使い方：
./rknn_yolov8_demo <入力イメージ
例
以下の例は、以下の推論を実行する。 モデル/バス.jpg 入力画像を model/yolov8n.rknn モデルである：
# go to the directory of the executable file
cd ~/rknn_model_zoo/install/rk3588_linux_aarch64/rknn_yolov8_demo/
# set LD_LIBRARY_PATH
export LD_LIBRARY_PATH=./lib
# perform inference
./rknn_yolov8_demo model/yolov8n.rknn model/bus.jpg
期待される結果
出力には、ラベル、座標、対応するスコアなど、以下のような情報が含まれる：
人@ (211 241 282 506) 0.864
バス@ (96 136 549 449) 0.864
人@ (109 235 225 535) 0.860
人@ (477 226 560 522) 0.848
人@ (79 327 116 513) 0.306
出力画像は rknn_model_zoo/install/rk3588_linux_aarch64/rknn_yolov8_demo/out.png:
