Ln28909
Senior Member
Ultralytics có ra mắt model mới yolo26 vào đầu năm nay, với độ chính xác cao hơn và nhẹ hơn các model hiện tại official support bởi Frigate như yolov9 và mobilenet.
1 chút background tại sao frigate lại ko thể official support model mới này khi nó gần như tốt hơn toàn diện các model cũ trong object detection. Hiện tại Frigate đang dùng MIT license có thể giữ 1 vài tính năng của frigate closed source (Frigate+) và điều này có vấn đề pháp lý với các model mới như yolo26 vì các model này có AGPL 3.0 và yêu cầu tất cả mọi tính năng phải dc open source.
So sánh giữa Yolo26n-320 và mobilnetv2:
yolo26n
So sánh giữa Yolo26n-320 vs yolov9-t-320:
Kết luận:
So với 2 model official support bởi Frigate thì yolo26 sẽ có chính xác hơn với tốc độ tương đương hoặc là chính xác tương đương với tốc độ nhanh hơn. Với tốc độ inference 11.5ms tương đương có thể detect 87 fps, tương đương 17 camera ở detect fps:5 / 43 camera ở detect fps:2.
Nên theo lý thuyết 1 con n150 khá yếu có thể chạy trơn tru trên 40 camera nếu nhu cầu chỉ là record và detect các object cơ bản, nếu ai có sẵn 40 cam thì có thể test thử xem đúng ko vì mình chỉ có 8 cam thôi
Hướng dẫn build model yolo26 trên debian 13:
Cài các phần mềm cần thiết:
Output mong muốn
Đổi tên và chuyển vào folder Frigate
1 chút background tại sao frigate lại ko thể official support model mới này khi nó gần như tốt hơn toàn diện các model cũ trong object detection. Hiện tại Frigate đang dùng MIT license có thể giữ 1 vài tính năng của frigate closed source (Frigate+) và điều này có vấn đề pháp lý với các model mới như yolo26 vì các model này có AGPL 3.0 và yêu cầu tất cả mọi tính năng phải dc open source.
So sánh giữa Yolo26n-320 và mobilnetv2:
- mobilenetv2 là model nhẹ nhất official support bởi Frigate và là model dc recommend cho các máy cấu hình thấp và ko dùng egpu/coral tpu như n150
- Tốc độ: 2 model có tốc độ inference khá tương đương (~11.5ms)
- Chính xác: yolo26 là vượt trội, mobilenet thường hay có false positive, ví dụ: mobilenet có thể nhầm xe máy là con người, ko thể nhận diện dc cái vật nhỏ như chim sẻ, còn yolo26 thì mình thấy chính xác gần như 100% ko có false positive với các object phổ biến như chim, người, xe máy, xe hơi
yolo26n
So sánh giữa Yolo26n-320 vs yolov9-t-320:
- yolov9-t-320 là model chính xác nhất official support bởi frigate và dc recommend cho các máy cấu hình thấp ko egpu/coral tpu
- Tốc độ: yolov9-t-320 có tốc độ inference ~ 15ms, chậm hơn khoảng 30% với yolo26n-320
- Chính xác: theo thông số từ Ultralytics, thì yolo26n chính xác hơn khoảng 7% so với yolov9t, khi dùng thực tế thì mình cũng chưa thấy sự khác biệt gì quá rõ rệt
Kết luận:
So với 2 model official support bởi Frigate thì yolo26 sẽ có chính xác hơn với tốc độ tương đương hoặc là chính xác tương đương với tốc độ nhanh hơn. Với tốc độ inference 11.5ms tương đương có thể detect 87 fps, tương đương 17 camera ở detect fps:5 / 43 camera ở detect fps:2.
Nên theo lý thuyết 1 con n150 khá yếu có thể chạy trơn tru trên 40 camera nếu nhu cầu chỉ là record và detect các object cơ bản, nếu ai có sẵn 40 cam thì có thể test thử xem đúng ko vì mình chỉ có 8 cam thôi
Hướng dẫn build model yolo26 trên debian 13:
Cài các phần mềm cần thiết:
Cài uv và env để build tool mà ko ảnh hưởng đến các phần mềm khác của máy
Kiểm tra đã active env và python 3.11.x
Cài các phần mềm cần thiết trong env
Tải yolo26n.pt từ github
Tạo script để export .pt thành .onnx cho Frigate
Python:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.export(
format="onnx",
imgsz=320,
opset=12,
simplify=True,
dynamic=False,
half=True,
nms=False,
end2end=False
)Kiểm tra folder bằng ls sẽ thấy file yolo26n.onnx
Kiểm tra xem .onnx có tương thích với Frigate ko
Python:
python - <<'PY'
import onnx
m = onnx.load("yolo26n.onnx")
for o in m.graph.output:
print(o.name, [d.dim_value for d in o.type.tensor_type.shape.dim])
PYOutput [1,300,xxxx] là sẽ ko dùng dc với Frigate
Đổi tên và chuyển vào folder Frigate
Trong frigate config.yml
Mã:
model:
path: /config/model_cache/yolo26n-320.onnx
width: 320
height: 320
model_type: yolo-generic
input_tensor: nchw
input_dtype: float
labelmap_path: /labelmap/coco-80.txt
Sửa lần cuối:
