目標
RaspberryPiZERO2で物体検出をする．
手順1.環境構築
python3 -m venv .venv
.venv/Scripts/activate
仮想環境を作ったら以下を実行
pip3 install labelimg ultralytics
labelimg : セグメンテーションソフト
ultralytics : YOLOを使えるライブラリ
手順2.セグメンテーション(学習データづくり)
まず，以下のようにディレクトリを構成する．
作業ディレクトリ/
├──images/
│ ├──train/
│ ├──val/
│ └──test/
└──labels/
├──train/
├──val/
└──test/
/train，/val,/testに画像データを分ける．ただし，枚数が少ない場合は/trainと/valのみでよい．
仮想環境をactivateした状態で
labelimg
を実行．ソフトが開く．
OpenDirで画像が入っているディレクトリを設定，ChangeSaveDirにラベルの保存先を設定．ChangeSaveFormatをYOLOに変更．
これで準備OK．
/trainから順番にアノテーションしていく．
全て終わったら，datasets.yamlを記述する
アノテーションしようとすると鬼のようにエラーが出るので，エラーメッセージに沿ってライブラリを修正する．基本的には返り値がfloat型によるエラーだからint()に型変換してあげればよい．
# Path
path: ./datasets/
train: images/train
val: images/val
test: images/test
# Classes
nc: 2 #各自設定
names: ["name1","name2"] #各自設定
これで学習させる準備が整った．
手順3.学習
from ultralytics import YOLO
model = YOLO('yolo11n.pt')
model.train(data="datasets.yaml", epochs=100, batch=8)
上のコードをコピペして実行する．
学習が始まるが，GPUが載っていないとCPUが頑張るのでPCが悲鳴を上げます．(100枚程度の学修にAMD Ryzen 7 5700Uでは15分ぐらい)
終わるまで待ちましょう．
手順4.RaspberryPiへ移行
ここからはRaspberryPiでの操作です．
マイクロSDにOSを書き込んでいきましょう．気を付けることは唯一つ，64bitを選択しましょう．それ以外はいつもどうり．
OSは64bitを選択．
筆者はこれに気が付かず(前にも同じことしたのに)，半日溶かしました．
sudo apt install python3-opencv
pip3 install ultralytics --break-system-packages
を実行する．RaspberryPiZERO2Wだと結構時間がかかる．
終わり次第，学習したモデル/runs/detect/train/weights/last.ptをRaspberryPiへコピー．
from ultralytics import YOLO
import os
import cv2
model = YOLO("last.pt")
_ = model("test.jpg",save=True,)
上をコピペして実行．すると，runs/detect/predictというディレクトリが作られる．この中に認識結果が保存される．
ちなみに，RaspberryPiZERO2Wでは，640x480の画像を認識するのに2.5秒ほどかかった．
そこでモデルをエクスポートして軽量化してみよう．
手順5.軽量化
さすがは有名なライブラリ．エクスポートも簡単．
from ultralytics import YOLO
import time
model = YOLO("last.pt")
st = time.time()
model.export(format="ncnn")
print(time.time()-st)
これを実行するだけ．するとlast_ncnn_modelというディレクトリが作成される．これにPiTourch形式のモデルをNCNN形式というモバイル向けに最適化されたモデルが作成/保存される．
では，早速，処理速度を見てみよう．
from ultralytics import YOLO
import os
import cv2
import time
model = YOLO("last_ncnn_model")
st = time.time()
ret = model("test.jpg",save=True,)
print(time.time()-st)
「あれれ？処理時間が長くなった？」．調べてみると，推論の最初はncnnの設定を色々するために時間がかかるらしい．
なので...
from ultralytics import YOLO
import os
import cv2
import time
model = YOLO("last_ncnn_model")
ret = model("test.jpg",save=True,)
st = time.time()
ret = model("test.jpg",save=True,)
print(time.time()-st)
おぉ！速くなりました．ほんとうは，エクスポート時の設定やncnnの設定で，さらに軽量化/最適化できるらしい．
まとめ
YOLOモデルをncnnにエクスポートすることで，RaspberryPiZERO2Wでも高速に処理できました．