CV / ResNet

ResNet50V2

ImageNet classification with configurable Top-K results, browser preview, and REST API access.

2 descargas

Precisión

RKNN

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

Plataforma

Tamaño

Motor de inferencia

Primeros pasos

Desplegar

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

API REST

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

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())

Detalles del modelo

ResNet50V2 en reComputer RK3576 y RK3588

Esta página se adapta de los README de ResNet50V2 en reComputer-RK-CV. El servicio ejecuta clasificación ImageNet en la NPU Rockchip y ofrece interfaces de navegador, MJPEG, comprobación de estado y REST.

Información del modelo

Propiedad	Valor
Tarea	Clasificación de imágenes
Entrada	Imagen RGB de `224 x 224`
Salida	Etiquetas ImageNet Top-K y puntuaciones de confianza configurables
Modelo RK3576	`model/rk3576_resnet50-v2-7.rknn`
Modelo RK3588	`model/rk3588_resnet50-v2-7.rknn`
Etiquetas	`model/synset.txt`

Ejecutar el servicio

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

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

Abra http://<BOARD_IP>:8000 para la página web o http://<BOARD_IP>:8000/docs para OpenAPI.

Modos de entrada y argumentos de inicio

La aplicación acepta una imagen subida, un fotograma seleccionado de un MP4 subido, un vídeo local en bucle o un fotograma de cámara.

Argumento	Predeterminado	Descripción
`--model_path`	Obligatorio	Modelo RKNN seleccionado para el SoC de destino.
`--camera_id`	`1`	Índice de cámara; use `-1` para el modo de solo carga.
`--video_path`	Ninguno	Ruta del MP4 local; prevalece sobre la cámara.
`--host`	`0.0.0.0`	Dirección de escucha de FastAPI.
`--port`	`8000`	Puerto del servicio.

Asigne /dev/videoN al contenedor al seleccionar la cámara N.

REST API

Endpoint: POST /api/models/resnet50v2/predict

Los campos multipart incluyen file, video, timestamp, conf y topk.

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"

Ejemplo de respuesta:

json

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

GET /api/config devuelve conf_thresh; actualícelo mediante JSON con POST /api/config. El conf de la solicitud tiene prioridad.

Endpoint	Finalidad
`GET /api/health`	Servicio, plataforma, modelo y disponibilidad.
`GET /api/video_feed`	Vista previa MJPEG anotada.
`POST /api/video/upload`	Subir una imagen o un MP4.
`POST /api/video/analyze`	Analizar un `filename` subido.
`GET /api/video/status`	Progreso del procesamiento y errores.
`GET /api/video/list`	Archivos subidos y generados.
`GET /api/video/download/{filename}`	Descargar un resultado.

Sustitución del modelo

El runtime redimensiona la entrada a 224 x 224, convierte BGR a RGB, aplica softmax y filtra los resultados Top-K. Un modelo de sustitución debe conservar la disposición de entrada, normalización, orden de canales y formato de salida previstos. Actualice synset.txt si cambia el conjunto de clases. Los archivos se almacenan en workspace/; defina RK_CV_WORKSPACE para cambiar esa ubicación.

Compilar localmente

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

Entradas y salidas

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