CV / ResNet

ResNet50V2

ResNet50V2 image classification accelerated by RKNN on reComputer RK3576 and RK3588.

2 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 \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --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-resnet50v2:latest \
  python3 web_classification.py --model_path model/rk3576_resnet50-v2-7.rknn --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": "resnet50-v2-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "resnet50-v2-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 Seite basiert auf den ResNet50V2-README-Dateien in reComputer-RK-CV. Der Dienst führt ImageNet-Klassifikation auf der Rockchip-NPU aus und bietet Browser-, MJPEG-, Zustands- und REST-Schnittstellen.

Modellinformationen

Eigenschaft	Wert
Aufgabe	Bildklassifikation
Eingabe	RGB-Bild mit `224 x 224`
Ausgabe	Konfigurierbare Top-K-ImageNet-Labels und Konfidenzwerte
RK3576-Modell	`model/rk3576_resnet50-v2-7.rknn`
RK3588-Modell	`model/rk3588_resnet50-v2-7.rknn`
Labels	`model/synset.txt`

Schritt A: Images abrufen

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-resnet50v2:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-resnet50v2:latest

Schritt B: Mit einem Klick ausführen

Für RK3576:

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --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-resnet50v2:latest \
  python3 web_classification.py \
  --model_path model/rk3576_resnet50-v2-7.rknn --camera_id -1

Für RK3588:

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --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-resnet50v2:latest \
  python3 web_classification.py \
  --model_path model/rk3588_resnet50-v2-7.rknn --camera_id -1

Öffnen Sie http://<BOARD_IP>:8000 für die Webseite oder http://<BOARD_IP>:8000/docs für OpenAPI.

🔌 API-Dokumentation

1. Modellinferenz-Schnittstelle (Predict)

Endpunkt: POST /api/models/resnet50v2/predict

Anfrageparameter (Multipart/Form-Data):

Optionale Felder sind file, video, timestamp, conf und topk; topk reicht von 1 bis 20, conf von 0.0 bis 1.0. Ohne Upload wird die aktive Videoquelle verwendet.

Anwendungsbeispiele:

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/resnet50v2/predict" \
  -F "file=@dog_224x224.jpg" -F "topk=5" -F "conf=0.01"

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/resnet50v2/predict" \
  -F "video=@test.mp4" -F "timestamp=5.5" -F "topk=3"

Antwortformat (JSON):

json

{
  "success": true,
  "model": "resnet50v2",
  "source": "uploaded image",
  "predictions": [
    {"class": "n02099601 golden retriever", "confidence": 0.89}
  ],
  "image": {"width": 224, "height": 224}
}

2. Schnittstelle zur Systemkonfiguration (Config)

GET /api/config liefert conf_thresh; aktualisieren Sie ihn per JSON über POST /api/config. Anfrage-conf hat Vorrang.

Endpunkt	Zweck
`GET /api/health`	Dienst, Plattform, Modell und Bereitschaft.
`GET /api/video_feed`	Annotierte MJPEG-Vorschau.
`POST /api/video/upload`	Bild oder MP4 hochladen.
`POST /api/video/analyze`	Einen hochgeladenen `filename` analysieren.
`GET /api/video/status`	Verarbeitungsfortschritt und Fehler.
`GET /api/video/list`	Hochgeladene und erzeugte Dateien.
`GET /api/video/download/{filename}`	Ergebnis herunterladen.

3. Befehlszeilenargumente

Die Anwendung akzeptiert ein hochgeladenes Bild, einen gewählten Frame aus einer hochgeladenen MP4-Datei, ein lokales Video in Schleife oder einen Kameraframe.

Argument	Standard	Beschreibung
`--model_path`	Erforderlich	Für den Ziel-SoC ausgewähltes RKNN-Modell.
`--camera_id`	`1`	Kameraindex; `-1` steht für reinen Uploadbetrieb.
`--video_path`	Kein Wert	Pfad zur lokalen MP4-Datei; überschreibt die Kamera.
`--host`	`0.0.0.0`	FastAPI-Listenadresse.
`--port`	`8000`	Dienstport.

Ordnen Sie /dev/videoN dem Container zu, wenn Kamera N gewählt wird.

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)

Modell ersetzen

Die Laufzeit skaliert auf 224 x 224, konvertiert BGR nach RGB, wendet softmax an und filtert Top-K-Ergebnisse. Ein Ersatzmodell muss Eingabelayout, Normalisierung, Kanalreihenfolge und Ausgabeformat beibehalten. Aktualisieren Sie bei anderen Klassen synset.txt. Laufzeitdateien liegen unter workspace/; RK_CV_WORKSPACE ändert den Ort.

Lokal bauen

bash

docker build -f docker/rk3576/resnet50v2.dockerfile \
  -t rk3576-resnet50v2:local src/rk3576_resnet50v2

docker build -f docker/rk3588/resnet50v2.dockerfile \
  -t rk3588-resnet50v2:local src/rk3588_resnet50v2

Eingaben und Ausgaben

Input: image, video frame, or camera frame. Output: Top-K ImageNet labels and confidence scores.