Hướng dẫn bắt đầu nhanh: NVIDIA Jetson với Ultralytics YOLO11

Hướng dẫn toàn diện này cung cấp hướng dẫn chi tiết để triển khai Ultralytics YOLO11 trên các thiết bị NVIDIA Jetson . Ngoài ra, nó còn giới thiệu các điểm chuẩn hiệu suất để chứng minh khả năng của YOLO11 trên những thiết bị nhỏ và mạnh mẽ này.

Đồng hồ: Cách sử dụng Ultralytics YOLO11 TRÊN NVIDIA Thiết bị JETSON

Là gì NVIDIA Jetson à?

NVIDIA Jetson là một loạt các bo mạch điện toán nhúng được thiết kế để đưa điện toán AI (trí tuệ nhân tạo) được tăng tốc vào các thiết bị biên. Các thiết bị nhỏ gọn và mạnh mẽ này được xây dựng xung quanh NVIDIA 'S GPU kiến trúc và có khả năng chạy các thuật toán AI phức tạp và các mô hình học sâu trực tiếp trên thiết bị, mà không cần phải dựa vào tài nguyên điện toán đám mây . Bo mạch Jetson thường được sử dụng trong robot, xe tự hành, tự động hóa công nghiệp và các ứng dụng khác, nơi suy luận AI cần được thực hiện cục bộ với độ trễ thấp và hiệu quả cao. Ngoài ra, các bo mạch này dựa trên kiến trúc ARM64 và chạy ở mức công suất thấp hơn so với các bo mạch truyền thống GPU thiết bị máy tính.

NVIDIA So sánh dòng Jetson

Jetson Orin là phiên bản mới nhất của NVIDIA Gia đình Jetson dựa trên NVIDIA Kiến trúc Ampere mang lại hiệu suất AI được cải thiện đáng kể khi so sánh với các thế hệ trước. Bảng bên dưới so sánh một số thiết bị Jetson trong hệ sinh thái.

Để biết bảng so sánh chi tiết hơn, vui lòng truy cập phần Thông số kỹ thuật trên trang NVIDIA Jetson chính thức .

Là gì NVIDIA JetPack?

NVIDIA JetPack SDK cung cấp năng lượng cho các mô-đun Jetson là giải pháp toàn diện nhất và cung cấp môi trường phát triển đầy đủ để xây dựng các ứng dụng AI được tăng tốc toàn diện và rút ngắn thời gian đưa ra thị trường. JetPack bao gồm Jetson Linux với bộ nạp khởi động, hạt nhân Linux, môi trường máy tính để bàn Ubuntu và một bộ thư viện hoàn chỉnh để tăng tốc GPU máy tính, đa phương tiện, đồ họa và thị giác máy tính . Nó cũng bao gồm các mẫu, tài liệu và công cụ phát triển cho cả máy chủ và bộ công cụ phát triển, và hỗ trợ các SDK cấp cao hơn như DeepStream để phân tích video phát trực tuyến, Isaac cho robot và Riva cho AI đàm thoại.

Flash JetPack để NVIDIA Jetson

Bước đầu tiên sau khi có được một NVIDIA Thiết bị Jetson sẽ được flash NVIDIA JetPack vào thiết bị. Có một số cách khác nhau để flash NVIDIA Thiết bị Jetson.

1. Nếu bạn sở hữu một quan chức NVIDIA Bộ công cụ phát triển như Bộ công cụ phát triển Jetson Orin Nano, bạn có thể tải xuống hình ảnh và chuẩn bị thẻ SD với JetPack để khởi động thiết bị .
2. Nếu bạn sở hữu bất kỳ cái nào khác NVIDIA Bộ công cụ phát triển, bạn có thể flash JetPack vào thiết bị bằng cách sử dụng SDK Manager .
3. Nếu bạn sở hữu thiết bị Seeed Studio reComputer J4012, bạn có thể flash JetPack vào ổ SSD đi kèm và nếu bạn sở hữu thiết bị Seeed Studio reComputer J1020 v2, bạn có thể flash JetPack vào eMMC/SSD .
4. Nếu bạn sở hữu bất kỳ thiết bị của bên thứ ba nào khác được cung cấp bởi NVIDIA Module Jetson, khuyến cáo nên thực hiện theo lệnh flash .

Hỗ trợ JetPack dựa trên thiết bị Jetson

Bảng dưới đây nêu bật NVIDIA Các phiên bản JetPack được hỗ trợ bởi các NVIDIA Thiết bị Jetson.

Bắt đầu nhanh với Docker

Cách nhanh nhất để bắt đầu với Ultralytics YOLO11 TRÊN NVIDIA Jetson sẽ chạy với các hình ảnh docker được dựng sẵn cho Jetson. Tham khảo bảng trên và chọn phiên bản JetPack theo thiết bị Jetson bạn sở hữu.

t=ultralytics/ultralytics:latest-jetson-jetpack4
sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia $t

t=ultralytics/ultralytics:latest-jetson-jetpack5
sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia $t

t=ultralytics/ultralytics:latest-jetson-jetpack6
sudo docker pull $t && sudo docker run -it --ipc=host --runtime=nvidia $t

Sau khi thực hiện xong, hãy chuyển tới phần Sử dụng TensorRT trên NVIDIA Jetson .

Bắt đầu với Cài đặt gốc

Để cài đặt gốc mà không cần Docker, vui lòng tham khảo các bước bên dưới.

Chạy trên JetPack 6.1

Cài đặt Ultralytics Bưu kiện

Ở đây chúng ta sẽ cài đặt Ultralytics gói trên Jetson với các phụ thuộc tùy chọn để chúng ta có thể xuất các mô hình PyTorch sang các định dạng khác nhau. Chúng ta sẽ chủ yếu tập trung vào xuất NVIDIA TensorRT vì TensorRT sẽ đảm bảo chúng ta có thể đạt được hiệu suất tối đa từ các thiết bị Jetson.

1. Cập nhật danh sách các gói, cài đặt pip và nâng cấp lên phiên bản mới nhất

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip
   

2. Cài đặt ultralytics gói pip với các phụ thuộc tùy chọn

   pip install ultralytics[export]
   

3. Khởi động lại thiết bị

   sudo reboot
   

Cài đặt PyTorch và Torchvision

Trên đây ultralytics cài đặt sẽ cài đặt Torch và Torchvision. Tuy nhiên, 2 gói này được cài đặt qua pip không tương thích để chạy trên nền tảng Jetson dựa trên kiến trúc ARM64. Do đó, chúng ta cần phải cài đặt thủ công các gói dựng sẵn PyTorch pip wheel và biên dịch/cài đặt Torchvision từ nguồn.

Cài đặt torch 2.5.0 Và torchvision 0.20 theo JP6.1

pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.5.0a0+872d972e41.nv24.08-cp310-cp310-linux_aarch64.whl
pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.20.0a0+afc54f7-cp310-cp310-linux_aarch64.whl

Cài đặt cuSPARSELt để khắc phục sự cố phụ thuộc với torch 2.5.0

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/arm64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install libcusparselt0 libcusparselt-dev

Cài đặt onnxruntime-gpu

Các onnxruntime- gpu gói được lưu trữ trong PyPI không có aarch64 nhị phân cho Jetson. Vì vậy, chúng ta cần cài đặt thủ công gói này. Gói này cần thiết cho một số bản xuất.

Bạn có thể tìm thấy tất cả có sẵn onnxruntime-gpu các gói—được sắp xếp theo phiên bản JetPack, Python phiên bản và các chi tiết tương thích khác—trong Vườn thú Jetson ONNX Ma trận tương thích thời gian chạy. Ở đây chúng ta sẽ tải xuống và cài đặt onnxruntime-gpu 1.20.0 với Python3.10 ủng hộ.

pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.20.0-cp310-cp310-linux_aarch64.whl

Chạy trên JetPack 5.1.2

Cài đặt Ultralytics Bưu kiện

Ở đây chúng ta sẽ cài đặt Ultralytics gói trên Jetson với các phụ thuộc tùy chọn để chúng ta có thể xuất PyTorch mô hình sang các định dạng khác nhau. Chúng tôi sẽ chủ yếu tập trung vào xuất NVIDIA TensorRT vì TensorRT sẽ đảm bảo chúng ta có thể đạt được hiệu suất tối đa từ các thiết bị Jetson.

1. Cập nhật danh sách các gói, cài đặt pip và nâng cấp lên phiên bản mới nhất

   sudo apt update
   sudo apt install python3-pip -y
   pip install -U pip
   

2. Cài đặt ultralytics gói pip với các phụ thuộc tùy chọn

   pip install ultralytics[export]
   

3. Khởi động lại thiết bị

   sudo reboot
   

Cài đặt PyTorch và Torchvision

Trên đây ultralytics cài đặt sẽ cài đặt Torch và Torchvision. Tuy nhiên, 2 gói này được cài đặt qua pip không tương thích để chạy trên nền tảng Jetson dựa trên kiến trúc ARM64. Do đó, chúng ta cần phải cài đặt thủ công các gói dựng sẵn PyTorch pip wheel và biên dịch/cài đặt Torchvision từ nguồn.

1. Gỡ cài đặt hiện đang cài đặt PyTorch và Torchvision

   pip uninstall torch torchvision
   

2. Cài đặt torch 2.2.0 Và torchvision 0.17.2 theo JP5.1.2

   pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torch-2.2.0-cp38-cp38-linux_aarch64.whl
   pip install https://github.com/ultralytics/assets/releases/download/v0.0.0/torchvision-0.17.2+c1d70fe-cp38-cp38-linux_aarch64.whl
   

Cài đặt onnxruntime-gpu

Các onnxruntime- gpu gói được lưu trữ trong PyPI không có aarch64 nhị phân cho Jetson. Vì vậy, chúng ta cần cài đặt thủ công gói này. Gói này cần thiết cho một số bản xuất.

Bạn có thể tìm thấy tất cả có sẵn onnxruntime-gpu các gói—được sắp xếp theo phiên bản JetPack, Python phiên bản và các chi tiết tương thích khác—trong Vườn thú Jetson ONNX Ma trận tương thích thời gian chạy. Ở đây chúng ta sẽ tải xuống và cài đặt onnxruntime-gpu 1.17.0 với Python3.8 ủng hộ.

wget https://nvidia.box.com/shared/static/zostg6agm00fb6t5uisw51qi6kpcuwzd.whl -O onnxruntime_gpu-1.17.0-cp38-cp38-linux_aarch64.whl
pip install onnxruntime_gpu-1.17.0-cp38-cp38-linux_aarch64.whl

Sử dụng TensorRT TRÊN NVIDIA Jetson

Trong số tất cả các định dạng xuất mô hình được hỗ trợ bởi Ultralytics , TensorRT cung cấp hiệu suất suy luận cao nhất trên NVIDIA Thiết bị Jetson, khiến nó trở thành khuyến nghị hàng đầu của chúng tôi cho các triển khai Jetson. Để biết hướng dẫn thiết lập và cách sử dụng nâng cao, hãy xem hướng dẫn tích hợp TensorRT chuyên dụng của chúng tôi.

Chuyển đổi mô hình thành TensorRT và chạy suy luận

Mô hình YOLO11n trong PyTorch định dạng được chuyển đổi thành TensorRT để chạy suy luận với mô hình đã xuất.

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to TensorRT
model.export(format="engine")  # creates 'yolo11n.engine'

# Load the exported TensorRT model
trt_model = YOLO("yolo11n.engine")

# Run inference
results = trt_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to TensorRT format
yolo export model=yolo11n.pt format=engine # creates 'yolo11n.engine'

# Run inference with the exported model
yolo predict model=yolo11n.engine source='https://ultralytics.com/images/bus.jpg'

Sử dụng NVIDIA Bộ tăng tốc học sâu (DLA)

NVIDIA Deep Learning Accelerator (DLA) là một thành phần phần cứng chuyên dụng được tích hợp vào NVIDIA Thiết bị Jetson tối ưu hóa suy luận học sâu cho hiệu quả năng lượng và hiệu suất. Bằng cách dỡ bỏ các tác vụ khỏi GPU (giải phóng năng lượng cho các quy trình chuyên sâu hơn), DLA cho phép các mô hình chạy với mức tiêu thụ điện năng thấp hơn trong khi vẫn duy trì thông lượng cao, lý tưởng cho các hệ thống nhúng và ứng dụng AI thời gian thực.

Các thiết bị Jetson sau đây được trang bị phần cứng DLA:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Export the model to TensorRT with DLA enabled (only works with FP16 or INT8)
model.export(format="engine", device="dla:0", half=True)  # dla:0 or dla:1 corresponds to the DLA cores

# Load the exported TensorRT model
trt_model = YOLO("yolo11n.engine")

# Run inference
results = trt_model("https://ultralytics.com/images/bus.jpg")

# Export a YOLO11n PyTorch model to TensorRT format with DLA enabled (only works with FP16 or INT8)
# Once DLA core number is specified at export, it will use the same core at inference
yolo export model=yolo11n.pt format=engine device="dla:0" half=True # dla:0 or dla:1 corresponds to the DLA cores

# Run inference with the exported model on the DLA
yolo predict model=yolo11n.engine source='https://ultralytics.com/images/bus.jpg'

NVIDIA Jetson Orin YOLO11 Tiêu chuẩn

YOLO11 chuẩn mực đã được chạy bởi Ultralytics nhóm trên 10 định dạng mô hình khác nhau để đo tốc độ và độ chính xác : PyTorch , TorchScript , ONNX , OpenVINO , TensorRT , TF SavedModel , TF GraphDef , TF Nhẹ, MNN, NCNN . Các điểm chuẩn đã được chạy trên NVIDIA Bộ phát triển Jetson AGX Orin (64GB), NVIDIA Bộ công cụ phát triển Jetson Orin Nano Super và Seeed Studio reComputer J4012 được hỗ trợ bởi thiết bị Jetson Orin NX 16GB có độ chính xác FP32 với kích thước hình ảnh đầu vào mặc định là 640.

Biểu đồ so sánh

Mặc dù tất cả các mô hình xuất khẩu đang hoạt động với NVIDIA Jetson, chúng tôi chỉ bao gồm PyTorch , TorchScript , TensorRT cho biểu đồ so sánh bên dưới vì chúng sử dụng GPU trên Jetson và được đảm bảo sẽ tạo ra kết quả tốt nhất. Tất cả các sản phẩm xuất khẩu khác chỉ sử dụng CPU và hiệu suất không tốt bằng ba loại trên. Bạn có thể tìm thấy điểm chuẩn cho tất cả các lần xuất trong phần sau biểu đồ này.

NVIDIA Bộ phát triển Jetson AGX Orin (64GB)

NVIDIA Bộ phát triển Jetson Orin Nano Super

NVIDIA Jetson Orin NX 16GB

Bảng so sánh chi tiết

Bảng dưới đây thể hiện kết quả chuẩn cho năm mô hình khác nhau (YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x) trên mười định dạng khác nhau ( PyTorch , TorchScript , ONNX , OpenVINO , TensorRT , TF SavedModel , TF GraphDef , TF Nhẹ, MNN, NCNN ), cung cấp cho chúng ta trạng thái, kích thước, số liệu mAP50-95(B) và thời gian suy luận cho mỗi kết hợp.

NVIDIA Bộ phát triển Jetson AGX Orin (64GB)

NVIDIA Bộ phát triển Jetson Orin Nano Super

NVIDIA Jetson Orin NX 16GB

Khám phá thêm những nỗ lực đánh giá chuẩn mực của Seeed Studio chạy trên các phiên bản khác nhau của NVIDIA Phần cứng Jetson.

Tái tạo kết quả của chúng tôi

Để tái tạo những điều trên Ultralytics chuẩn mực trên tất cả các định dạng xuất chạy mã này:

from ultralytics import YOLO

# Load a YOLO11n PyTorch model
model = YOLO("yolo11n.pt")

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all all export formats
results = model.benchmark(data="coco128.yaml", imgsz=640)

# Benchmark YOLO11n speed and accuracy on the COCO128 dataset for all all export formats
yolo benchmark model=yolo11n.pt data=coco128.yaml imgsz=640

Thực hành tốt nhất khi sử dụng NVIDIA Jetson

Khi sử dụng NVIDIA Jetson, có một số biện pháp thực hành tốt nhất cần tuân theo để đạt được hiệu suất tối đa trên NVIDIA Jetson đang chạy YOLO11 .

1. Bật chế độ MAX Power

   Bật Chế độ MAX Power trên Jetson sẽ đảm bảo tất cả CPU , GPU lõi được bật.

   sudo nvpmodel -m 0
   

2. Bật Đồng hồ Jetson

   Việc bật Jetson Clocks sẽ đảm bảo tất cả CPU , GPU các lõi được xung nhịp ở tần số tối đa của chúng.

   sudo jetson_clocks
   

3. Cài đặt ứng dụng Jetson Stats

   Chúng ta có thể sử dụng ứng dụng jetson stats để theo dõi nhiệt độ của các thành phần hệ thống và kiểm tra các chi tiết khác của hệ thống như xem CPU , GPU , sử dụng RAM, thay đổi chế độ nguồn, đặt ở mức xung nhịp tối đa, kiểm tra thông tin JetPack

   sudo apt update
   sudo pip install jetson-stats
   sudo reboot
   jtop
   

Các bước tiếp theo

Xin chúc mừng bạn đã thiết lập thành công YOLO11 trên của bạn NVIDIA Jetson! Để tìm hiểu thêm và được hỗ trợ, hãy truy cập hướng dẫn tại Ultralytics YOLO11 Docs !

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi triển khai Ultralytics YOLO11 TRÊN NVIDIA Thiết bị Jetson?

Triển khai Ultralytics YOLO11 TRÊN NVIDIA Thiết bị Jetson là một quá trình đơn giản. Đầu tiên, hãy flash thiết bị Jetson của bạn bằng NVIDIA JetPack SDK. Sau đó, sử dụng hình ảnh Docker dựng sẵn để thiết lập nhanh hoặc cài đặt thủ công các gói cần thiết. Các bước chi tiết cho từng phương pháp có thể được tìm thấy trong phần Bắt đầu nhanh với Docker và Bắt đầu với Cài đặt gốc .

Tôi có thể mong đợi những chuẩn mực hiệu suất nào từ YOLO11 mô hình trên NVIDIA Thiết bị Jetson?

YOLO11 các mô hình đã được đánh giá chuẩn mực trên nhiều NVIDIA Các thiết bị Jetson cho thấy những cải tiến đáng kể về hiệu suất. Ví dụ, TensorRT định dạng cung cấp hiệu suất suy luận tốt nhất. Bảng trong phần Bảng so sánh chi tiết cung cấp góc nhìn toàn diện về các số liệu hiệu suất như mAP50-95 và thời gian suy luận trên các định dạng mô hình khác nhau.

Tại sao tôi nên sử dụng TensorRT để triển khai YOLO11 TRÊN NVIDIA Jetson à?

TensorRT được khuyến khích cao để triển khai YOLO11 mô hình trên NVIDIA Jetson do hiệu suất tối ưu của nó. Nó tăng tốc suy luận bằng cách tận dụng Jetson GPU khả năng, đảm bảo hiệu quả và tốc độ tối đa. Tìm hiểu thêm về cách chuyển đổi sang TensorRT và chạy suy luận trong phần Sử dụng TensorRT trên NVIDIA Jetson .

Tôi có thể cài đặt như thế nào? PyTorch và Torchvision trên NVIDIA Jetson à?

Để cài đặt PyTorch và Torchvision trên NVIDIA Jetson, trước tiên hãy gỡ cài đặt bất kỳ phiên bản hiện có nào có thể đã được cài đặt qua pip. Sau đó, cài đặt thủ công phiên bản tương thích PyTorch và phiên bản Torchvision cho kiến trúc ARM64 của Jetson. Hướng dẫn chi tiết cho quy trình này được cung cấp trong phần Cài đặt PyTorch và Torchvision .

Những cách thực hành tốt nhất để tối đa hóa hiệu suất là gì? NVIDIA Jetson khi sử dụng YOLO11 ?

Để tối đa hóa hiệu suất trên NVIDIA Jetson với YOLO11 , hãy làm theo các biện pháp tốt nhất sau:

1. Bật chế độ MAX Power để sử dụng tất cả CPU Và GPU lõi.
2. Cho phép Jetson Clocks chạy tất cả các lõi ở tần số tối đa của chúng.
3. Cài đặt ứng dụng Jetson Stats để theo dõi số liệu hệ thống.

Để biết lệnh và thông tin chi tiết bổ sung, hãy tham khảo phần Thực hành tốt nhất khi sử dụng NVIDIA Jetson .

📅 Được tạo cách đây 1 năm ✏️ Đã cập nhật cách đây 25 ngày

Bình luận