アプリケーションの実行

以下のプログラムで生成された検出結果を、元の画像に重ねて表示します。

これは、小さなアプリケーションとして実行するのと同じYOLOv8推論です。Model.run(...)を直接呼び出す代わりに（モデルを実行するの場合と同様）、モデルをGraph（入力、モデル、および出力を持つ名前付きグラフフロー）に組み込み、それを構築してプッシュ/プルします。PythonとC++で同じプログラムを使用できます。各コードブロックで言語タブを選択してください。

この最初のアプリケーションでは、意図的に単純な構造にしています。

• 名前付きの_入力_ (nodes.input("image"))は、データがアプリケーションにどこから入力されるかを示します。
• モデル (graph.add(model))は、グラフ内の1つのステップとしてモデルを実行します。
• 名前付きの_出力_ (nodes.output("detections"))は、アプリケーションが結果を読み取る場所を示します。

同じAPIは、後により複雑なアプリケーションにも拡張できます。ここでは、基本的な構成パターンを理解することが目的です。

言語を選択してください。

任意のコードブロックにある「Python / C++」タブを使用してください。選択はサイト全体の言語セレクターに従うため、すべてのコードスニペットとプログラム全体がまとめて切り替わります。

プロジェクトのセットアップ

すでにモデルを実行するを実行しましたか？

このセクションはスキップできます。ここでは、同じassets/ディレクトリ、モデルパッケージ、およびサンプル画像を使用します。直接、コードをステップごとに確認するに進んでください。

1. モデルと入力画像用のアセットディレクトリを作成します。

   mkdir -p assets

2. モデルをダウンロードします:

   sima-cli modelzoo -v 2.0.0 get yolo_v8s

   sima-cli モデルのダウンロード

   sima-cli がモデルを assets ディレクトリ以外の場所に書き込む場合は、そのファイルを assets/yolo_v8s_mpk.tar.gz にコピーしてください。

::: 3. サンプル画像をダウンロードし、assets/tutorial_sample_image.png として保存します。

サンプル画像を閲覧またはダウンロードしてください。。

コードの解説

このプログラムは、短い8つの部分で構成されています。各ブロックで言語タブを切り替えてください。

1. 画像を読み込む

#include <opencv2/opencv.hpp>

cv::Mat bgr = cv::imread("assets/tutorial_sample_image.png");
cv::Mat rgb;
cv::cvtColor(bgr, rgb, cv::COLOR_BGR2RGB);

OpenCVはBGR形式で画像を読み込みますが、YOLOv8はRGB形式を想定しています。この処理は必須ではありません。 Neat —アプリケーションは、ファイル、カメラ、またはデコーダーからピクセルデータを取得します。 Neat 次のステップで入力します。

2. モデルのオプションについて説明します。

#include <neat.h>
namespace neat = simaai::neat;

neat::Model::Options opt;
opt.preprocess.kind   = neat::InputKind::Image;
opt.preprocess.preset = neat::NormalizePreset::COCO_YOLO;
opt.decode_type       = neat::BoxDecodeType::YoloV8;
opt.score_threshold   = 0.25f;
opt.nms_iou_threshold = 0.45f;
opt.top_k             = 100;

ModelOptions は、1つのオブジェクトでモデルの処理方法を宣言します。具体的には、Neat が入力ピクセルをどのように前処理し、検出器の出力をどのようにデコードするかを定義します。

フィールド	設定内容
preprocess.kind = Image	入力は、あらかじめ整形されたテンソルではなく、生のピクセルです。
preprocess.preset = COCO_YOLO	リサイズとレターボックス処理を行い、モデルの入力に合うように調整します。RGB形式で、1/255 でスケールし、平均値の引き算は行いません。
decode_type = YoloV8	検出ヘッドデコーダーのファミリー。
score_threshold / nms_iou_threshold / top_k	信頼度の閾値、NMSのオーバーラップ、および保持する最大ボックス数。

3. モデルをロードします

neat::Model model("assets/yolo_v8s_mpk.tar.gz", opt);

Model は、.tar.gz を読み込み、渡された ModelOptions に基づいて、その MPK コントラクト の有効性を検証し、モデルの断片をインスタンス化します。まだ何も実行されていません。

4. 画像を Tensor としてラップします。

neat::Tensor input = neat::Tensor::from_cv_mat(
    rgb,
    neat::ImageSpec::PixelFormat::RGB);

Tensor は、Neat の型付きデータコンテナです。これには、形状、データ型、レイアウト、およびフレームワークがバイトを解釈するために必要なピクセル形式が含まれます。Neat がバイトだけでなくレイアウトも認識できるように、PixelFormat を渡す必要があります。

5. グラフを構成する

neat::Graph graph("hello_neat_app");
graph.add(neat::nodes::Input("image"));
graph.add(model);
graph.add(neat::nodes::Output("detections"));

Graph はアプリケーションのフローです。各 add(...) は次のステップを追加するため、これにより線形のフロー image → model → detections が構築されます。ステップ 3 のモデルの一部が、その中の 1 つのステップになります。

6. グラフを構築して実行する

neat::Run run = graph.build();
run.push("image", neat::TensorList{input});
run.close_input();
neat::TensorList outputs = run.pull_tensors("detections", /*timeout_ms=*/2000);
run.close();

build() は、公開されているグラフを、ノード名を保持したまま、実行可能なランタイムグラフに変換します。次に、入力データを名前付きの入力にpushし、それ以上の入力が不要になったらclose_input()を呼び、タイムアウトを設定して、名前付きの出力から結果をpullします。pull_tensorsは、TensorListを返します。これは、Model.runが生成するのと同じ形状のテンソルであり、ここでは、パックされたYOLOv8のBBOX出力です。

7. バウンディングボックスをデコード

neat::TensorList decoded = neat::decode_bbox(outputs);

decode_bbox は、1:1 の位置関係を持つ TensorList → TensorList 変換です。各デコードされた出力は、[num_detections, 6] の形状を持つ float32 テンソルであり、列は (x1, y1, x2, y2, score, class_id) です。

8. バウンディングボックスを読み取る

const neat::Tensor& boxes = decoded.front();      // [num_detections, 6] float32
auto m = boxes.map_read();
const float* d = static_cast<const float*>(m.data);
for (int64_t i = 0; i < boxes.shape[0]; ++i) {
  const float* r = d + i * 6;                     // x1 y1 x2 y2 score class_id
  const int cls = static_cast<int>(r[5]);
  const char* name = (cls == 0) ? "person" : (cls == 27) ? "tie" : "?";
  std::printf("%-8s %.2f  [%4.0f %4.0f %4.0f %4.0f]\n", name, r[4], r[0], r[1], r[2], r[3]);
}

Pythonでは、デコードされたテンソルは次のように読み込まれます。 [N, 6] NumPy配列を介して to_numpy()C++では、テンソルをマッピングし、浮動小数点数を読み取ります。モデルはCOCOクラスIDを出力します。それらを表示名にマッピングするのはアプリケーション側で行います。

完全なプログラム

プロジェクトディレクトリにファイルを作成し、ビルドして実行します。

CMakeLists.txt と main.cpp を作成します。

CMakeLists.txt

cmake_minimum_required(VERSION 3.16)
project(sima_neat_app LANGUAGES CXX)

set(CMAKE_CXX_STANDARD 20)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
set(CMAKE_CXX_EXTENSIONS OFF)

# Supports both DevKit/native installs (system paths) and
# cross builds with SYSROOT exported (SDK sysroot paths).
if(DEFINED ENV{SYSROOT} AND NOT "$ENV{SYSROOT}" STREQUAL "")
  list(APPEND CMAKE_PREFIX_PATH
    "$ENV{SYSROOT}/usr"
    "$ENV{SYSROOT}/usr/lib"
    "$ENV{SYSROOT}/usr/lib/aarch64-linux-gnu"
  )
endif()

find_package(SimaNeat REQUIRED CONFIG)
find_package(PkgConfig REQUIRED)
pkg_check_modules(OPENCV REQUIRED IMPORTED_TARGET opencv4)

add_executable(sima_neat_app main.cpp)
target_link_libraries(sima_neat_app
  PRIVATE
    SimaNeat::sima_neat
    PkgConfig::OPENCV
)

強調表示されている2つの行は、アプリケーションとNeatをリンクさせる部分です。find_package(SimaNeat REQUIRED CONFIG)は、インストールされたNeatパッケージを（SimaNeatConfig.cmakeを介して）検索し、target_link_libraries(sima_neat_app PRIVATE SimaNeat::sima_neat ...)は、それとリンクします。インポートされたSimaNeat::sima_neatターゲットは、Neatのインクルードディレクトリと推移的な依存関係を自動的に伝播するため、手動でのインクルード/ライブラリパスの指定は不要です。（PkgConfig::OPENCVは、このアプリケーションがOpenCVを使用して画像をロードするため、必要です。）

main.cpp

#include "neat.h"

#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>

#include <cstdint>
#include <cstdio>
#include <stdexcept>

namespace neat = simaai::neat;

neat::Model::Options yolo_model_options() {
  neat::Model::Options opt;
  opt.preprocess.kind   = neat::InputKind::Image;
  opt.preprocess.preset = neat::NormalizePreset::COCO_YOLO;
  opt.decode_type       = neat::BoxDecodeType::YoloV8;
  opt.score_threshold   = 0.25f;
  opt.nms_iou_threshold = 0.45f;
  opt.top_k             = 100;
  return opt;
}

int main() {
  cv::Mat bgr = cv::imread("assets/tutorial_sample_image.png");
  if (bgr.empty())
    throw std::runtime_error("failed to read assets/tutorial_sample_image.png");
  cv::Mat rgb;
  cv::cvtColor(bgr, rgb, cv::COLOR_BGR2RGB);

  neat::Model model("assets/yolo_v8s_mpk.tar.gz", yolo_model_options());
  neat::Tensor input = neat::Tensor::from_cv_mat(
      rgb,
      neat::ImageSpec::PixelFormat::RGB);

  // Compose the model into a Graph application: image -> model -> detections.
  neat::Graph graph("hello_neat_app");
  graph.add(neat::nodes::Input("image"));
  graph.add(model);
  graph.add(neat::nodes::Output("detections"));

  // Build the app, push the image into the named input, pull the named output.
  neat::Run run = graph.build();
  run.push("image", neat::TensorList{input});
  run.close_input();
  neat::TensorList outputs = run.pull_tensors("detections", /*timeout_ms=*/2000);
  run.close();

  neat::TensorList decoded = neat::decode_bbox(outputs);
  const neat::Tensor& boxes = decoded.front();      // [num_detections, 6] float32
  auto m = boxes.map_read();
  const float* d = static_cast<const float*>(m.data);
  for (int64_t i = 0; i < boxes.shape[0]; ++i) {
    const float* r = d + i * 6;                     // x1 y1 x2 y2 score class_id
    const int cls = static_cast<int>(r[5]);
    const char* name = (cls == 0) ? "person" : (cls == 27) ? "tie" : "?";
    std::printf("%-8s %.2f  [%4.0f %4.0f %4.0f %4.0f]\n", name, r[4], r[0], r[1], r[2], r[3]);
  }
  std::printf("[OK] Graph app completed\n");
  return 0;
}

構築：

cmake -S . -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build -j

実行:

• DevKit 上で

  ./build/sima_neat_app

• Neat SDK がインストールされているホスト

  dk build/sima_neat_app

検出ごとに1行表示されます。その後は：

[OK] Graph app completed

Neat がどのように組み立てられたか

API は、その構造に直接対応しています。

• Graph はアプリケーションのフローを保持し、graph.add(...) は各ステップを順番に追加します。
• 名前付きの入力と出力は、ランタイムのエンドポイントになります: run.push("image", ...) と run.pull_tensors("detections")。
• Model は、Model.run を使用して直接呼び出すのと同じフラグメントであり、ここではアプリケーション内の 1 つのノードとして実行されます。

次のステップ

より高度なグラフの構成については、グラフプログラミングモデル を参照してください。

そこから、より広範な SiMa.ai Neat の学習リソースに進みます。

• モデル、グラフ、実行などの主要な Neat の概念を説明する 基本的なプログラミングモデル を学習します。
• 特定の概念とワークフローを段階的に説明する チュートリアル を参照します。
• アプリポータル で厳選されたアプリケーションを探索し、GitHub上のアプリケーションリポジトリ でソースコードを確認します。