CV / PPSeg

PP-LiteSeg

Produces 19-class Cityscapes masks with image, camera, and video service modes.

4 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 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppseg:latest \
  python web_service.py --platform rk3576 --model_dir /app/model --camera_id -1 --host 0.0.0.0 --port 8000

REST API

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

Curl

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

Python

import requests

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

Modelldetails

PP-LiteSeg auf reComputer RK3576 und RK3588

Dieser Dienst paketiert das PP-LiteSeg-Cityscapes-Beispiel aus reComputer-RK-CV mit RKNN-Inferenz, Webvorschau, REST API und asynchroner MP4-Verarbeitung.

Modellinformationen

Eigenschaft	Wert
Modell	`model/ppseg.rknn`
Eingabe	`512 x 512` RGB
Ausgabe	Cityscapes-Segmentierungsmaske mit 19 Klassen
Aufwärmbild	`model/test.png`

Dienst starten

RK3576

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppseg:latest \
  python web_service.py --platform rk3576 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

RK3588

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-ppseg:latest \
  python web_service.py --platform rk3588 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

Öffnen Sie http://<BOARD_IP>:8000 oder /docs. Verwenden Sie --camera_id N mit einem zugeordneten /dev/videoN-Knoten für eine Kamera. Für das enthaltene Video verwenden Sie --video video/test.mp4; --video und --video_path sind Aliase und überschreiben die Kamera.

Startargumente

Argument	Standard	Beschreibung
`--platform`	Erforderlich	`rk3576` oder `rk3588`.
`--model_dir`	`model`	Verzeichnis mit `ppseg.rknn` und `test.png`.
`--camera_id`	`-1`	Kameraindex; `-1` deaktiviert die Aufnahme.
`--video`, `--video_path`	Kein Wert	Lokales Video in Schleife; überschreibt die Kamera.
`--host` / `--port`	`0.0.0.0` / `8000`	FastAPI-Listenadresse und Port.

PYTHONUNBUFFERED=1 schreibt Logs sofort. RKNN_LOG_LEVEL=0 unterdrückt bekannte harmlose Meldungen der statischen Modellinitialisierung; entfernen Sie es bei der RKNN-Startdiagnose.

REST API

Endpunkt: POST /api/models/ppseg/predict

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/ppseg/predict" \
  -F "file=@test.png"

Die Antwort enthält Inferenzzeit, Quelldimensionen und Pixelanzahl je Klasse. Die neueste Maskenüberlagerung wird über GET /api/video_feed bereitgestellt.

Endpunkt	Zweck
`GET /api/health`	Plattform, Modellnamen und Bereitschaft.
`GET /api/video_feed`	Neueste Farbmaskenüberlagerung als MJPEG.
`POST /api/video/upload`	Eine MP4-Datei im Feld `file` hochladen.
`POST /api/video/analyze`	Einen hochgeladenen `filename` analysieren.
`GET /api/video/status`	Hintergrundfortschritt und Fehler.
`GET /api/video/list`	Hochgeladene und erzeugte Videos.
`GET /api/video/download/{filename}`	Ergebnis herunterladen.

Die allgemeinen Felder threshold und topk bleiben zur Dienstkompatibilität erhalten, ändern aber die feste Argmax-Segmentierung nicht. Ein Ersatzmodell muss die erwartete Ausgabe mit 19 Klassen beibehalten oder Palette und Nachverarbeitung anpassen.

Die Laufzeit skaliert auf 512 x 512, konvertiert BGR nach RGB, akzeptiert NCHW- oder NHWC-Ausgabe mit 19 Klassen, stellt die Maske durch Nächster-Nachbar-Interpolation wieder her und überlagert die Cityscapes-Palette. Konvertierungsquellen liegen im Upstream-Projekt unter rknn_model_zoo/examples/ppseg.

Lokal bauen

bash

docker build -f docker/rk3576/ppseg.dockerfile \
  -t rk3576-ppseg:local src/rk3576_ppseg

docker build -f docker/rk3588/ppseg.dockerfile \
  -t rk3588-ppseg:local src/rk3588_ppseg

Eingaben und Ausgaben

Input: image, video frame, or camera frame. Output: Cityscapes mask, class pixel counts, and overlay.