CV / Lite Transformer

Lite Transformer

Traducción de inglés a chino con Lite Transformer acelerada mediante RKNN en reComputer RK3576 y RK3588.

2 descargas

Precisión

RKNN

Elige el dispositivo que estás usando. La guía de configuración y la documentación se actualizarán en consecuencia.

Plataforma

Motor de inferencia

Primeros pasos

Desplegar

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-lite_transformer:latest

API REST

Usa la API REST para ejecutar inferencia. Copia los comandos siguientes.

Curl

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

Python

import requests

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

Detalles del modelo

Inicio rápido

1. Instalar Docker

Ejecute los siguientes comandos en la placa de desarrollo para instalar Docker:

bash

# Descargar el script de instalación
curl -fsSL https://get.docker.com -o get-docker.sh
# Instalar mediante el mirror de Aliyun
sudo sh get-docker.sh --mirror Aliyun
# Iniciar Docker y habilitar el arranque automático
sudo systemctl enable docker
sudo systemctl start docker

2. Ejecutar el proyecto (un comando y vista Web)

El proyecto traduce del inglés al chino con codificador y decodificador RKNN y muestra los tokens BPE.

Paso A: descargar las imágenes

bash

sudo docker pull ghcr.io/Seeed-Projects/recomputer-rk-cv/rk3588-lite_transformer:latest
sudo docker pull ghcr.io/Seeed-Projects/recomputer-rk-cv/rk3576-lite_transformer:latest

Paso B: ejecutar con un solo comando

Para RK3588:

bash

sudo docker run --rm --privileged --net=host \
+    -e PYTHONUNBUFFERED=1 \
+    -e RKNN_LOG_LEVEL=0 \
+    -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
+    ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-lite_transformer:latest

Acceso: http://<Board_IP>:8000

Para RK3576:

bash

sudo docker run --rm --privileged --net=host \
+    -e PYTHONUNBUFFERED=1 \
+    -e RKNN_LOG_LEVEL=0 \
+    -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
+    ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-lite_transformer:latest

Acceso: http://<Board_IP>:8000

3. Inferencia por línea de comandos

bash

python inference.py --platform rk3576 --model_dir model --text "thank you"

Use --platform rk3588 al ejecutar desde el directorio de código de RK3588.

🔌 Documentación de la API

Endpoint: POST /api/models/lite_transformer/predict

Parámetros de la solicitud (Multipart/Form-Data):

text: texto inglés obligatorio; tras codificar, máximo 15 tokens BPE de origen más EOS.

Ejemplo de uso:

bash

curl -X POST "http://127.0.0.1:8000/api/models/lite_transformer/predict" \
+    -F 'text=thank you'

Formato de respuesta (JSON):

json

{
  "success": true,
  "model": "lite_transformer",
  "platform": "rk3576",
  "inference_time_ms": 42.6,
  "result": {
    "input_text": "thank you",
    "translation": "谢谢你",
    "input_tokens": [
      1234,
      5678
    ],
    "output_tokens": [
      9012,
      3456
    ],
    "input_token_count": 2,
    "output_token_count": 2
  }
}

El límite se mide en tokens BPE y se rechaza el exceso. GET /api/config devuelve {} porque no hay ajustes intercambiables. Existe un único par por plataforma.

2. Interfaz de configuración del sistema

Obtener la configuración actual

Endpoint: GET /api/config
Response: {}

Use GET /api/health para consultar la plataforma activa, el estado del modelo, los archivos RKNN cargados y las capacidades. La documentación OpenAPI está en /docs.

🛠️ Guía para desarrolladores (recomendaciones de producción)

Descripción del código

web_service.py:
- API Web: proporciona la interfaz del navegador, inferencia, configuración, estado y validación de solicitudes.
task_runtime.py:
- Tokeniza y valida la longitud, ejecuta el codificador y genera chino de forma autorregresiva.
inference.py: Proporciona inferencia puntual desde la línea de comandos.

Archivos del modelo

Componente	Archivo
Encoder	`model/encoder.rknn`
Decoder	`model/decoder.rknn`
BPE data	`model/bpe_order.txt`
Token maps	`model/cw_token_map_order.txt, model/dict_order.txt`
Embeddings	`model/position_embed.bin, model/token_embed.bin`

Modificar los modelos

Coloque los archivos convertidos compatibles en model/ y conserve los nombres de la tabla.
Mantenga todos los componentes en el mismo paquete de conversión y respete los contratos de entrada, salida y preprocesamiento.
Antes de publicar, pruebe las rutas Web, REST y de línea de comandos en RK3576 y RK3588.

Crear imágenes locales

Ejecute desde la raíz de reComputer-RK-CV:

bash

docker build -f docker/rk3576/lite_transformer.dockerfile \
+    -t rk3576-lite_transformer:local src/rk3576_lite_transformer

docker build -f docker/rk3588/lite_transformer.dockerfile \
+    -t rk3588-lite_transformer:local src/rk3588_lite_transformer

Entradas y salidas

Entrada: texto inglés de hasta 15 tokens BPE de origen más EOS. Salida: traducción al chino e información de tokens de entrada y salida.