CV / YOLOv6

YOLOv6

YOLOv6 COCO object detection accelerated by RKNN on reComputer RK3576 and RK3588.

8 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-yolov6:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolov6n.rknn --video_path video/test.mp4

REST API

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

Curl

curl http://localhost:8080/v1/chat/completions -d '{
  "model": "yolov6-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov6-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 basiert auf den YOLOv6-Modulen in reComputer-RK-CV. Sie führt COCO-Erkennung mit RKNN-Toolkit-Lite2 aus und bietet Browservorschau, REST-Inferenz und Offlinevideoverarbeitung.

Modellinformationen

Eigenschaft	Wert
Aufgabe	COCO-Objekterkennung mit 80 Klassen
Eingabe	`640 x 640`, letterboxed und von BGR nach RGB konvertiert
Varianten	`yolov6n.rknn`, `yolov6s.rknn`, `yolov6m.rknn`
Standard	`model/yolov6n.rknn`
Ausgabe	Klassen, Konfidenzwerte und Boxen im Quellbild

Schritt A: Images abrufen

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov6:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov6:latest

Schritt B: Mit einem Klick ausführen

Wählen Sie die Modellgröße durch Änderung von --model_path.

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-yolov6:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolov6n.rknn --video_path video/test.mp4

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-yolov6:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolov6n.rknn --video_path video/test.mp4

Verwenden Sie model/yolov6s.rknn oder model/yolov6m.rknn für die anderen Varianten. Ersetzen Sie --video_path video/test.mp4 durch --camera_id -1 für reinen Uploadbetrieb. Öffnen Sie http://<BOARD_IP>:8000 oder /docs.

🔌 API-Dokumentation

1. Modellinferenz-Schnittstelle (Predict)

Endpunkt: POST /api/models/yolov6/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/yolov6/predict" \
  -F "file=@bus.jpg" -F "conf=0.25" -F "iou=0.45"

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/yolov6/predict" \
  -F "video=@test.mp4" -F "timestamp=5.5"

Antwortformat (JSON):

json

{
  "success": true,
  "source": "uploaded image",
  "predictions": [
    {
      "class": "bus",
      "confidence": 0.91,
      "box": {"x1": 100, "y1": 120, "x2": 520, "y2": 430}
    }
  ],
  "image": {"width": 640, "height": 480}
}

2. Schnittstelle zur Systemkonfiguration (Config)

GET /api/config liefert obj_thresh und nms_thresh. Aktualisieren Sie sie mit POST /api/config; Anfragefelder conf und iou überschreiben globale Werte.

Der Dienst bietet außerdem GET /api/health, GET /api/video_feed, POST /api/video/upload, POST /api/video/analyze sowie Video-Status-, Listen- und Download-Endpunkte. Dateien liegen unter workspace/, sofern RK_CV_WORKSPACE nicht gesetzt ist. Ersatzmodelle müssen Eingabegröße und YOLOv6-Tensorlayout von web_detection.py beibehalten.

3. Befehlszeilenargumente

Argument	Standard	Beschreibung
`--platform`	Erforderlich	`rk3576` oder `rk3588`; muss zum Image passen.
`--model_path`	Erforderlich	Eine der enthaltenen YOLOv6-RKNN-Dateien.
`--camera_id`	`1`	Kameraindex; `-1` aktiviert reinen Uploadbetrieb.
`--video_path`	Kein Wert	Lokale MP4-Schleife; überschreibt die Kamera.
`--class_path`	COCO-Labels	Optionale Ersatzklassenliste.
`--host` / `--port`	`0.0.0.0` / `8000`	FastAPI-Listenadresse 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/yolov6.dockerfile \
  -t rk3576-yolov6:local src/rk3576_yolov6

docker build -f docker/rk3588/yolov6.dockerfile \
  -t rk3588-yolov6:local src/rk3588_yolov6

Eingaben und Ausgaben

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