Luftobjekterkennung auf reComputer RK3576

VisDrone-trainierte YOLOv8s Luftobjekterkennung, unterstützt 11 Luftkategorien.

Quellcode: https://github.com/inteintegrity/rk3576-airborne-detection

Schnellstart

Projekt-Image über Docker beziehen

bash

docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest

Modell mit integriertem Beispiel testen

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video0:/dev/video0 \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest \
  python3 web_detection.py --model_path model/yolov8s_airborne.rknn --video video/test.mp4

Besuchen Sie http://<board_ip>:8000/ für Echtzeit-Inferenz.

11 VisDrone Luftkategorien

Kategorie	Beschreibung
pedestrian	Fußgänger
people	Menschengruppe
bicycle	Fahrrad
car	PKW
van	Lieferwagen
truck	LKW
tricycle	Dreirad
awning-tricycle	Dreirad mit Verdeck
bus	Bus
motor	Motorrad
others	Sonstige

Kamera-Echtzeit

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video0:/dev/video0 \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest \
  python3 web_detection.py --model_path model/yolov8s_airborne.rknn --camera_id 0

KI-Inferenzerweiterungen

Inferenzengine: Basierend auf RKNN C API, RK3576 NPU-Beschleunigung. Modelleingabe: Quantisiertes Modell yolov8s_airborne.rknn, feste Eingabe 640×640. Nachbearbeitung: YOLOv8 DFL-Box-Dekodierung und NMS, 11 VisDrone Luftkategorien.

Bereitstellungsempfehlungen

Berechtigungen: --privileged-Modus erforderlich, /dev/video* und /dev/dri/renderD* explizit mappen. Benutzerdefinierte Klassen: --class_path class_config.txt zum Überschreiben.