Roboflow YOLO11 自定义

本教程将指导您如何在 Synaptics Astra™ Machina™ 上运行自定义 YOLO11 模型。本教程将指导您在 PPE 数据集上微调 YOLO11 small 模型，为 Astra 优化它，然后在 Astra Machina 开发板上运行它。

在工业和建筑环境中，佩戴个人防护装备（PPE）如头盔、夹克和鞋子对安全至关重要。使用计算机视觉自动化 PPE 检测可以提高合规性并确保更安全的工作环境。

您可以使用 Ultralytics 的预训练 YOLO 模型，这是一个快速、准确且易于使用的流行目标检测模型。我们将使用的数据集包含 PPE 的标注图像，模型将被微调以检测它们。

步骤 1：在 PPE 数据集上微调 YOLO11 模型

本教程设计为在 Google Colab 中运行，但只需最小调整，这些步骤也可以在本地 Jupyter Notebook 环境中运行。

安装所需库

您需要安装必要的依赖项，包括 Ultralytics 和 OpenCV。

!pip install ultralytics
!pip install opencv-python-headless matplotlib

下载 PPE 数据集

您可以从 Roboflow 下载 PPE 数据集。该数据集已经为多个 YOLO 模型格式化，选择 v4 版本，YOLOv11 格式。这是下载数据集的直接链接：PPE 数据集。

from ultralytics import YOLO
import os
import zipfile
import requests
import matplotlib.pyplot as plt
import cv2

dataset_url = "https://universe.roboflow.com/ds/7nvWqmKXi7?key=Y3UrCkPmxF"
dataset_zip = "dataset.zip"

response = requests.get(dataset_url)
with open(dataset_zip, 'wb') as file:
    file.write(response.content)
with zipfile.ZipFile(dataset_zip, 'r') as zip_ref:
    zip_ref.extractall('dataset')

这将下载数据集并将其解压到 dataset 文件夹中。确保您的目录结构如下：

├── dataset/
│   ├── train/
│   ├── valid/
│   ├── test/
│   └── data.yaml  

data.yaml 文件应包含有关数据集的信息，包括训练、验证和测试数据集的路径。 检查 data.yaml 文件是否包含正确的数据集路径以及您想要微调模型的类别 names 和 nc 计数。

您可以在 data.yaml 中将类别重命名为英文。

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 4
names: ['Helmet', 'Shoes', 'Person', 'Jacket']

roboflow:
  workspace: menara
  project: personal-protection-detetction
  version: 4
  license: Public Domain
  url: https://universe.roboflow.com/menara/personal-protection-detetction/dataset/4

微调 YOLO11 模型

接下来，从 Ultralytics 加载预训练的 YOLO11 small 目标检测模型并在 PPE 数据集上训练它。这里，图像分辨率选择为 320x320，您可以根据需要配置它。

# 加载预训练的 YOLO11 small 模型
model = YOLO('yolo11s.pt')
model.train(data='/content/dataset/data.yaml', epochs=100, imgsz=(320,320), name='ppe_yolo', augment=True ) 

关键参数：

• data：数据集配置文件（data.yaml）的路径。
• epochs：训练轮数（根据您的需求调整）。
• imgsz：图像大小（默认为 640x640）。
• name：训练运行的名称。

评估和测试模型

训练完成后，您可以在验证集或测试集上评估模型：

metrics = model.val()

这将输出评估指标，如精确率、召回率和 mAP。

模型训练完成后，让我们在测试集中的一张图像上测试它。

test_image =  '/content/dataset/test/images/KakaoTalk_20221018_001312059_02_jpg.rf.6d2847ebe3ed5ba086853613b775d41b.jpg'
results = model(test_image)

detected_image = results[0].plot()  
# 将检测到的图像从 BGR 转换为 RGB 以正确显示颜色
detected_image_rgb = cv2.cvtColor(detected_image, cv2.COLOR_BGR2RGB)

plt.imshow(detected_image_rgb)
plt.axis('off')  
plt.show()

太好了，看起来您的目标检测模型已经成功微调用于 PPE 检测。

保存和导出模型

您可以保存模型并将其导出为 TensorFlow lite float32 位。

model.export(format='tflite', opset=12)

从 runs/detect/ppe_yolo/weights/best_saved_model/best_float32.tflite 下载 tflite float32 模型。

步骤 2：为 Astra Machina 优化模型

一旦您的模型准备就绪，让我们使用 SyNAP 工具包为 SL1680 的 NPU 优化它。这将优化并将我们的模型量化为可以在 NPU 上高效运行的 .synap 格式。

如果您想在本地机器上设置环境和优化模型，可以按照这个教程。

为了节省环境设置的时间，您可以在新的 Google Colab Notebook 上按照以下步骤操作并在此处上传您的模型。

提示

在优化过程中，最佳实践是在 meta yaml 中提供与模型相同分辨率的数据集。因此，获取一个 320x320 的图像或下载并调整 bus.jpg 的大小

另外，请确保模型分辨率与 meta yaml 中的 shape 和 format 值匹配。

!pip install "https://github.com/synaptics-synap/toolkit/releases/download/v3.1.1/synap-3.1.1rc20240910203155-cp310-cp310-linux_x86_64.whl" --extra-index-url https://download.pytorch.org/whl/cpu

synap_yaml = """
inputs:
- format: rgb keep_proportions=1
  name: inputs_0
  scale: 255
  shape: [1, 320, 320, 3]
outputs:
- dequantize: true
  format: yolov8 w_scale=320 h_scale=320 bb_normalized=1
quantization:
  data_type: uint8
  dataset:
  - /content/bus320x320.jpg
  scheme: asymmetric_affine"""
with open('./synap.yaml', 'w') as file:
    file.write(synap_yaml)

!synap_convert --model /content/best_float32.tflite --target SL1680 --meta /content/synap.yaml --out-dir yolo

步骤 3：在 Machina 上运行视频推理

现在要在 Machina 上运行这个模型，复制您刚刚为 Astra 的 NPU 编译的模型。 另外，由于我们微调的模型有 4 个标签，创建一个 label.json 并将其也复制到 Machina 开发板。

{
    "labels": ["Helmet","Shoes","Person","Jacket"]
}

adb push ~/Downloads/model.synap /home/weston/model.synap
adb push ~/Downloads/label.json /home/weston/label.json

现在在 Machina 终端上，从我们的 Synap GitHub 仓库 克隆视频推理示例仓库。

git clone https://github.com/synaptics-synap/examples.git

要在某些视频上运行视频推理，复制视频 video.mp4 并使用命令：

root@sl1680:/home/weston/examples/video_inference# python3 -m examples.infer_video -m /home/weston/model.synap -i /home/weston/video.mp4  /home/weston/label.json --fullscreen
Validating input...
Input OK
Validating model...
Model OK
Running pipeline...

恭喜！

通过遵循本教程，您已经微调了 YOLO11 small 模型以检测 PPE 并在 Astra Machina 的 NPU 上运行它。对于更高级的配置，您可以尝试超参数并探索不同的数据增强方法以进一步提高性能。