CV / YOLOv6

YOLOv6

Select YOLOv6n, YOLOv6s, or YOLOv6m by changing the RKNN model path.

2 téléchargements

Précision

RKNN

Choisissez l'appareil que vous utilisez. Le guide de configuration et la documentation seront mis à jour en conséquence.

Plateforme

Taille

Moteur d'inférence

Pour commencer

Déployer

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

API REST

Utilisez l'API REST pour exécuter l'inférence. Copiez les commandes ci-dessous.

Curl

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

Python

import requests

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

Détails du modèle

YOLOv6 sur reComputer RK3576 et RK3588

Ce déploiement repose sur les modules YOLOv6 de reComputer-RK-CV. Il exécute la détection COCO avec RKNN-Toolkit-Lite2 et fournit un aperçu navigateur, une inférence REST et le traitement vidéo hors ligne.

Informations sur le modèle

Propriété	Valeur
Tâche	Détection d’objets COCO à 80 classes
Entrée	`640 x 640`, letterboxé et converti de BGR en RGB
Variantes	`yolov6n.rknn`, `yolov6s.rknn`, `yolov6m.rknn`
Valeur par défaut	`model/yolov6n.rknn`
Sortie	Classes, scores de confiance et boîtes dans l’image source

Exécuter le service

Choisissez la taille du modèle en modifiant --model_path.

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

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

Utilisez model/yolov6s.rknn ou model/yolov6m.rknn pour les autres variantes. Remplacez --video_path video/test.mp4 par --camera_id -1 pour le mode téléversement uniquement. Ouvrez http://<BOARD_IP>:8000 ou /docs.

Arguments de démarrage

Argument	Valeur par défaut	Description
`--platform`	Obligatoire	`rk3576` ou `rk3588` ; doit correspondre à l’image.
`--model_path`	Obligatoire	Un des fichiers RKNN YOLOv6 fournis.
`--camera_id`	`1`	Indice de caméra ; `-1` active le mode téléversement uniquement.
`--video_path`	Aucun	MP4 local en boucle ; remplace la caméra.
`--class_path`	Labels COCO	Liste facultative de classes de remplacement.
`--host` / `--port`	`0.0.0.0` / `8000`	Adresse et port d’écoute FastAPI.

REST API

Endpoint : POST /api/models/yolov6/predict

Les champs sont file, video, timestamp, realtime, conf (par défaut 0.25) et iou (par défaut 0.45).

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"

Exemple de réponse :

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}
}

GET /api/config renvoie obj_thresh et nms_thresh. Mettez-les à jour avec POST /api/config ; les champs conf et iou de la requête remplacent les valeurs globales.

Le service fournit aussi GET /api/health, GET /api/video_feed, POST /api/video/upload, POST /api/video/analyze ainsi que les endpoints d’état, liste et téléchargement vidéo. Les fichiers résident sous workspace/ sauf si RK_CV_WORKSPACE est défini. Les modèles de remplacement doivent conserver la taille d’entrée et la disposition des tenseurs YOLOv6 attendues par web_detection.py.

Compiler localement

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

Entrées et sorties

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