CV / YOLOv6

YOLOv6

reComputer RK3588

Detección de objetos COCO YOLOv6 en reComputer RK3576/RK3588 (RKNN) y en reComputer R Series con Hailo-8 o Hailo-10H.

97 descargas

Precisión

RKNN / Hailo HEF

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

Plataforma

Tamaño

Motor de inferencia

Primeros pasos

Armbian 26.8.7 Gnome o posterior con OTA overlayroot: Configura el almacenamiento de Docker antes de ejecutar contenedores para evitar errores de montaje de overlay.

Desplegar

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

API REST

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

Curl

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

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov6", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Detalles del modelo

reComputer RK

Armbian 26.8.7 Gnome o posterior con OTA overlayroot: Configura el almacenamiento de Docker antes de ejecutar contenedores para evitar errores de montaje de overlay.

Inicio rápido

1. Instalar Docker

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

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. Ejecutar el proyecto (un comando y vista previa de doble modo)

Este despliegue se basa en los módulos YOLOv6 de reComputer-RK-CV. Ejecuta detección COCO con RKNN-Toolkit-Lite2 y ofrece vista previa en navegador, inferencia REST y procesamiento de vídeo sin conexión.

Información del modelo

Propiedad	Valor
Tarea	Detección de objetos COCO de 80 clases
Entrada	`640 x 640`, con letterbox y conversión de BGR a RGB
Variantes	`yolov6n.rknn`, `yolov6s.rknn`, `yolov6m.rknn`
Predeterminado	`model/yolov6n.rknn`
Salida	Clases, puntuaciones de confianza y cuadros en la imagen de origen

Paso A: Descargar las imágenes

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

Paso B: Ejecutar con un clic

Seleccione el tamaño cambiando --model_path.

Para 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

Para 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

Use model/yolov6s.rknn o model/yolov6m.rknn para las demás variantes del catálogo. Sustituya --video_path video/test.mp4 por --camera_id -1 para el modo de solo carga. Abra http://<BOARD_IP>:8000 o /docs.

🔌 Documentación de la API

1. Interfaz de inferencia del modelo (Predict)

Endpoint: POST /api/models/yolov6/predict

Parámetros de solicitud (Multipart/Form-Data):

Puede usar file, video, timestamp, realtime, conf e iou; los umbrales predeterminados son 0.25 y 0.45.

Ejemplos de uso:

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"

Formato de respuesta (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. Interfaz de configuración del sistema (Config)

GET /api/config devuelve obj_thresh y nms_thresh. Actualícelos con POST /api/config; los campos conf e iou de la solicitud prevalecen sobre los valores globales.

El servicio también ofrece GET /api/health, GET /api/video_feed, POST /api/video/upload, POST /api/video/analyze y endpoints de estado, lista y descarga de vídeo. Los archivos se guardan en workspace/ salvo que se defina RK_CV_WORKSPACE. Los modelos de sustitución deben conservar el tamaño de entrada y la disposición de tensores YOLOv6 esperada por web_detection.py.

3. Argumentos de línea de comandos

Argumento	Predeterminado	Descripción
`--platform`	Obligatorio	`rk3576` o `rk3588`; debe coincidir con la imagen.
`--model_path`	Obligatorio	Uno de los archivos RKNN YOLOv6 incluidos.
`--camera_id`	`1`	Índice de cámara; `-1` habilita el modo de solo carga.
`--video_path`	Ninguno	MP4 local en bucle; prevalece sobre la cámara.
`--class_path`	Etiquetas COCO	Lista de clases de sustitución opcional.
`--host` / `--port`	`0.0.0.0` / `8000`	Dirección y puerto de escucha de FastAPI.

Interfaz de vídeo en tiempo real (Video Feed)

Obtenga el último flujo MJPEG anotado para la vista previa en el navegador:

Endpoint: GET /api/video_feed
Ejemplo de uso: <img src="http://<BOARD_IP>:8000/api/video_feed">

🛠️ Guía para desarrolladores (recomendaciones de producción)

Compilar localmente

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

Entradas y salidas

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