CV / PP-YOLOE

PP-YOLOE

PP-YOLOE COCO object detection accelerated by RKNN on reComputer RK3576 and RK3588.

7 Downloads

Präzision

RKNN

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

Plattform

Größe

Inferenz-Engine

Erste Schritte

Bereitstellen

sudo docker run --rm --privileged --net=host --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppyoloe:latest \
  python web_detection.py --platform rk3576 --model_path model/ppyoloe_s.rknn \
  --class_path model/coco_80_labels_list.txt --camera_id -1

REST API

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

Curl

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

Python

import requests

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

Modelldetails

Schnellstart

1. Docker installieren

Führen Sie auf dem Entwicklungsboard die folgenden Befehle aus, um Docker zu installieren:

bash

# Docker
curl -fsSL https://get.docker.com -o get-docker.sh
# Aliyun
sudo sh get-docker.sh --mirror Aliyun
# systemd
sudo systemctl enable docker
sudo systemctl start docker

2. Projekt ausführen (ein Befehl, Vorschau in zwei Modi)

Diese Bereitstellung folgt den PP-YOLOE-Modulen aus reComputer-RK-CV. Sie bietet RKNN-NPU-Inferenz, Webvorschau, REST API und asynchrone Videoanalyse.

Modellinformationen

Eigenschaft	Wert
Aufgabe	COCO-Objekterkennung mit 80 Klassen
Eingabe	Letterbox-RGB mit `640 x 640`
Varianten	`ppyoloe_s.rknn`, `ppyoloe_m.rknn`
Standard	`model/ppyoloe_s.rknn`
Nachverarbeitung	DFL-Decodierung und klassenbezogene NMS

Schritt A: Images abrufen

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-ppyoloe:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppyoloe:latest

Schritt B: Mit einem Klick ausführen

Für RK3576:

bash

sudo docker run --rm --privileged --net=host \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppyoloe:latest \
  python web_detection.py --platform rk3576 \
  --model_path model/ppyoloe_s.rknn \
  --class_path model/coco_80_labels_list.txt --camera_id -1

Für RK3588:

bash

sudo docker run --rm --privileged --net=host \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-ppyoloe:latest \
  python web_detection.py --platform rk3588 \
  --model_path model/ppyoloe_s.rknn \
  --class_path model/coco_80_labels_list.txt --camera_id -1

Wechseln Sie mit --model_path model/ppyoloe_m.rknn zu PP-YOLOE-M. Ordnen Sie für Kameraeingabe /dev/videoN zu und setzen Sie die passende --camera_id.

🔌 API-Dokumentation

1. Modellinferenz-Schnittstelle (Predict)

Endpunkt: POST /api/models/ppyoloe/predict

Anfrageparameter (Multipart/Form-Data):

Verfügbar sind file, video, timestamp, realtime, conf und iou; die Standardschwellen sind 0.25 und 0.45.

Anwendungsbeispiele:

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/ppyoloe/predict" \
  -F "file=@bus.jpg" -F "conf=0.30" -F "iou=0.45"

Antwortformat (JSON):

json

{
  "success": true,
  "source": "uploaded image",
  "predictions": [
    {
      "class": "bus",
      "confidence": 0.91,
      "box": {"x1": 120, "y1": 80, "x2": 520, "y2": 430}
    }
  ],
  "image": {"width": 640, "height": 480}
}

2. Schnittstelle zur Systemkonfiguration (Config)

Die Eingabepriorität lautet Bild, hochgeladener MP4-Frame, aktive Kamera oder Beispielvideo. GET/POST /api/config steuert globale Objekt- und NMS-Schwellen. Zusätzlich gibt es Zustands-, MJPEG-, Upload-, asynchrone Analyse-, Status-, Listen- und Download-Schnittstellen.

web_detection.py führt Letterbox-Vorverarbeitung, RKNN-Inferenz, PP-YOLOE-DFL-Decodierung, klassenbezogene NMS, Koordinatenwiederherstellung, Darstellung und API-Serialisierung aus. Ersatzmodelle müssen mit DFL-Decoder und Ausgabelayout kompatibel sein.

3. Befehlszeilenargumente

Argument	Standard	Beschreibung
`--platform`	Erforderlich	`rk3576` oder `rk3588`.
`--model_path`	Erforderlich	PP-YOLOE-S- oder PP-YOLOE-M-RKNN-Datei.
`--class_path`	COCO-Labels	Klassennamen für Serialisierung und Zeichnung.
`--camera_id`	`1`	Kameraindex; `-1` aktiviert reinen Uploadbetrieb.
`--video_path`	Kein Wert	Lokale MP4-Schleife; überschreibt die Kamera.
`--host` / `--port`	`0.0.0.0` / `8000`	Dienstadresse und Port.

Echtzeit-Videostream (Video Feed)

Rufen Sie den neuesten annotierten MJPEG-Stream für die Browservorschau ab:

Endpunkt: GET /api/video_feed
Beispiel: <img src="http://<BOARD_IP>:8000/api/video_feed">

🛠️ Entwicklerleitfaden (Empfehlungen für den Produktionseinsatz)

Lokal bauen

bash

docker build -f docker/rk3576/ppyoloe.dockerfile \
  -t rk3576-ppyoloe:local src/rk3576_ppyoloe

docker build -f docker/rk3588/ppyoloe.dockerfile \
  -t rk3588-ppyoloe:local src/rk3588_ppyoloe

Eingaben und Ausgaben

Input: image, video frame, or camera frame. Output: COCO classes, confidence scores, and boxes.