CV / YOLOX

YOLOX

YOLOX COCO object detection on reComputer RK3576, RK3588, and CM5 with Hailo-8 or Hailo-10H.

24 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

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/rk3576-yolox:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolox_s.rknn \
  --class_path model/coco_80_labels_list.txt --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": "yolox-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

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

Detalles del modelo

reComputer RK

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)

Esta página se basa en los servicios YOLOX de reComputer-RK-CV. El runtime realiza inferencia RKNN, decodificación por ramas YOLOX, fusión de puntuaciones de objetividad/clase y NMS por clase.

Información del modelo

Propiedad	Valor
Tarea	Detección de objetos COCO de 80 clases
Entrada	RGB letterbox de `640 x 640`
Variantes	`yolox_s.rknn`, `yolox_m.rknn`
Predeterminado	`model/yolox_s.rknn`
Etiquetas	`model/coco_80_labels_list.txt`

Paso A: Descargar las imágenes

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolox:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolox:latest

Paso B: Ejecutar con un clic

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-yolox:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolox_s.rknn \
  --class_path model/coco_80_labels_list.txt --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-yolox:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolox_s.rknn \
  --class_path model/coco_80_labels_list.txt --video_path video/test.mp4

Use model/yolox_m.rknn para la variante mediana. Mantenga el argumento de ruta de clases al cambiar de modelo. Abra http://<BOARD_IP>:8000 o /docs.

🔌 Documentación de la API

1. Interfaz de inferencia del modelo (Predict)

Endpoint: POST /api/models/yolox/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/yolox/predict" \
  -F "file=@bus.jpg" -F "conf=0.25" -F "iou=0.45"

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)

El servicio acepta solicitudes de imagen, fotograma de vídeo subido y fuente actual. GET/POST /api/config controla obj_thresh y nms_thresh; conf e iou de la solicitud los sustituyen. También hay endpoints de estado, MJPEG, carga de vídeo, análisis asíncrono, estado, lista y descarga.

La entrada se ajusta con letterbox, se convierte a RGB, se decodifica por rama y se procesa con fusión de objetividad/puntuación de clase y NMS por clase. Los modelos de sustitución deben coincidir con el decodificador YOLOX y la configuración de clases incluidos.

3. Argumentos de línea de comandos

Argumento	Predeterminado	Descripción
`--platform`	Obligatorio	`rk3576` o `rk3588`.
`--model_path`	Obligatorio	Archivo RKNN YOLOX-S o YOLOX-M.
`--class_path`	Obligatorio en el comando empaquetado	Archivo de nombres de clases COCO.
`--camera_id`	`1`	Índice de cámara; `-1` habilita solo las cargas.
`--video_path`	Ninguno	MP4 local en bucle; prevalece sobre la cámara.
`--host` / `--port`	`0.0.0.0` / `8000`	Dirección y puerto del servicio.

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/yolox.dockerfile \
  -t rk3576-yolox:local src/rk3576_yolox

docker build -f docker/rk3588/yolox.dockerfile \
  -t rk3588-yolox:local src/rk3588_yolox

Entradas y salidas

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