CV / Lite Transformer

Lite Transformer

Mit RKNN beschleunigte Englisch-Chinesisch-Übersetzung durch Lite Transformer auf reComputer RK3576 und RK3588.

2 Downloads

Präzision

RKNN

Wähle das Gerät, das du verwendest. Die Einrichtungsanleitung und Dokumentation werden entsprechend aktualisiert.

Plattform

Inferenz-Engine

Erste Schritte

Bereitstellen

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-lite_transformer:latest

REST API

Verwende die REST API für die Inferenz. Kopiere die folgenden Befehle.

Curl

curl http://localhost:8080/v1/chat/completions -d '{
  "model": "lite-transformer-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "lite-transformer-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Modelldetails

Schnellstart

1. Docker installieren

Führen Sie zur Installation von Docker folgende Befehle auf dem Entwicklungsboard aus:

bash

# Installationsskript herunterladen
curl -fsSL https://get.docker.com -o get-docker.sh
# Über den Aliyun-Spiegel installieren
sudo sh get-docker.sh --mirror Aliyun
# Docker starten und automatischen Start aktivieren
sudo systemctl enable docker
sudo systemctl start docker

2. Projekt ausführen (ein Befehl und Webvorschau)

Das Projekt übersetzt mit RKNN-Encoder und -Decoder vom Englischen ins Chinesische und zeigt die BPE-Token-IDs.

Schritt A: Images abrufen

bash

sudo docker pull ghcr.io/Seeed-Projects/recomputer-rk-cv/rk3588-lite_transformer:latest
sudo docker pull ghcr.io/Seeed-Projects/recomputer-rk-cv/rk3576-lite_transformer:latest

Schritt B: mit einem Befehl starten

Für RK3588:

bash

sudo docker run --rm --privileged --net=host \
+    -e PYTHONUNBUFFERED=1 \
+    -e RKNN_LOG_LEVEL=0 \
+    -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
+    ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-lite_transformer:latest

Aufruf: http://<Board_IP>:8000

Für RK3576:

bash

sudo docker run --rm --privileged --net=host \
+    -e PYTHONUNBUFFERED=1 \
+    -e RKNN_LOG_LEVEL=0 \
+    -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
+    ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-lite_transformer:latest

Aufruf: http://<Board_IP>:8000

3. Inferenz über die Befehlszeile

bash

python inference.py --platform rk3576 --model_dir model --text "thank you"

Verwenden Sie im RK3588-Quellverzeichnis --platform rk3588.

🔌 API-Dokumentation

Endpoint: POST /api/models/lite_transformer/predict

Anfrageparameter (Multipart/Form-Data):

text: erforderlicher englischer Text; nach der Kodierung höchstens 15 Quell-BPE-Tokens plus EOS.

Anwendungsbeispiel:

bash

curl -X POST "http://127.0.0.1:8000/api/models/lite_transformer/predict" \
+    -F 'text=thank you'

Antwortformat (JSON):

json

{
  "success": true,
  "model": "lite_transformer",
  "platform": "rk3576",
  "inference_time_ms": 42.6,
  "result": {
    "input_text": "thank you",
    "translation": "谢谢你",
    "input_tokens": [
      1234,
      5678
    ],
    "output_tokens": [
      9012,
      3456
    ],
    "input_token_count": 2,
    "output_token_count": 2
  }
}

Das Limit gilt für BPE-Tokens; zu lange Eingaben werden abgewiesen. GET /api/config liefert {}, da es keine Laufzeiteinstellungen gibt. Pro Plattform existiert ein Paar.

2. Schnittstelle zur Systemkonfiguration

Aktuelle Konfiguration abrufen

Endpoint: GET /api/config
Response: {}

Mit GET /api/health können Sie Plattform, Modellbereitschaft, geladene RKNN-Dateien und Fähigkeiten prüfen. Die OpenAPI-Dokumentation befindet sich unter /docs.

🛠️ Entwicklerhandbuch (Empfehlungen für den Produktionseinsatz)

Codebeschreibung

web_service.py:
- Web-API: stellt Browseroberfläche, Inferenz, Konfiguration, Systemstatus und Anfragevalidierung bereit.
task_runtime.py:
- Tokenisiert und prüft die Länge, führt den Encoder aus und erzeugt Chinesisch autoregressiv.
inference.py: Ermöglicht einmalige Inferenz über die Befehlszeile.

Modelldateien

Komponente	Datei
Encoder	`model/encoder.rknn`
Decoder	`model/decoder.rknn`
BPE data	`model/bpe_order.txt`
Token maps	`model/cw_token_map_order.txt, model/dict_order.txt`
Embeddings	`model/position_embed.bin, model/token_embed.bin`

Modelle ändern

Legen Sie kompatible konvertierte Dateien in model/ ab und behalten Sie die Dateinamen aus der Tabelle bei.
Verwenden Sie Komponenten desselben Konvertierungspakets und behalten Sie Ein-/Ausgabe- sowie Vorverarbeitungsverträge bei.
Testen Sie vor der Veröffentlichung Web-, REST- und Befehlszeilenpfade auf RK3576 und RK3588.

Lokale Images erstellen

Im Stammverzeichnis von reComputer-RK-CV ausführen:

bash

docker build -f docker/rk3576/lite_transformer.dockerfile \
+    -t rk3576-lite_transformer:local src/rk3576_lite_transformer

docker build -f docker/rk3588/lite_transformer.dockerfile \
+    -t rk3588-lite_transformer:local src/rk3588_lite_transformer

Eingaben und Ausgaben

Eingabe: englischer Text mit höchstens 15 Quell-BPE-Tokens plus EOS. Ausgabe: chinesische Übersetzung und Informationen zu Ein- und Ausgabe-Tokens.