CV / YOLOv7

YOLOv7

Select the lightweight YOLOv7-Tiny or full YOLOv7 model with the model-path parameter.

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 --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-yolov7:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --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": "yolov7-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov7-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Modelldetails

YOLOv7 auf reComputer RK3576 und RK3588

Diese Seite beschreibt den YOLOv7-RKNN-Dienst aus reComputer-RK-CV. Er unterstützt COCO-Erkennung, Browservorschau, REST-Inferenz, Kameraeingabe und Offline-MP4-Verarbeitung.

Modellinformationen

Eigenschaft	Wert
Aufgabe	COCO-Objekterkennung mit 80 Klassen
Eingabe	`640 x 640`, letterboxed und von BGR nach RGB konvertiert
Varianten	`yolov7-tiny.rknn`, `yolov7.rknn`
Standard	`model/yolov7-tiny.rknn`
Anker	`model/anchors_yolov7.txt`

Dienst starten

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-yolov7:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --video_path video/test.mp4

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-yolov7:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --video_path video/test.mp4

Ändern Sie für vollständiges YOLOv7 nur den Modellpfad auf model/yolov7.rknn. Behalten Sie das Ankerargument. Verwenden Sie --camera_id -1 für reinen Uploadbetrieb.

Startargumente

Argument	Standard	Beschreibung
`--platform`	Erforderlich	`rk3576` oder `rk3588`.
`--model_path`	Erforderlich	Tiny- oder vollständige YOLOv7-RKNN-Datei.
`--anchors`	Erforderlich	Ankerdatei passend zum konvertierten Modell.
`--camera_id`	`1`	Kameraindex; `-1` nur für Uploads.
`--video_path`	Kein Wert	Lokale MP4-Schleife; überschreibt die Kamera.
`--class_path`	COCO-Labels	Optionale Ersatzklassenliste.
`--host` / `--port`	`0.0.0.0` / `8000`	Dienstadresse und Port.

REST API

Endpunkt: POST /api/models/yolov7/predict

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/yolov7/predict" \
  -F "file=@bus.jpg" -F "conf=0.25" -F "iou=0.45"

json

{
  "success": true,
  "source": "uploaded image",
  "predictions": [
    {
      "class": "bus",
      "confidence": 0.92,
      "box": {"x1": 100, "y1": 120, "x2": 520, "y2": 430}
    }
  ],
  "image": {"width": 640, "height": 480}
}

Die Multipart-Schnittstelle akzeptiert Bild-, MP4-Frame- und Livequellenanfragen. GET/POST /api/config steuert Standard-Konfidenz- und NMS-Schwellen. Zustands-, MJPEG-, Upload-, Analyse-, Fortschritts-, Listen- und Download-Endpunkte folgen der Standardstruktur. Dateien verwenden standardmäßig workspace/. Ersatzmodelle benötigen passende Ankerdatei, Eingabegröße, Klassenkonfiguration und Ausgabelayout.

Lokal bauen

bash

docker build -f docker/rk3576/yolov7.dockerfile \
  -t rk3576-yolov7:local src/rk3576_yolov7

docker build -f docker/rk3588/yolov7.dockerfile \
  -t rk3588-yolov7:local src/rk3588_yolov7

Eingaben und Ausgaben

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