CV / YOLOv7

YOLOv7

YOLOv7 COCO object detection accelerated by RKNN on reComputer RK3576 and RK3588.

8 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-yolov7:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --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": "yolov7-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov7-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Détails du modèle

Démarrage rapide

1. Installer Docker

Exécutez les commandes suivantes sur la carte de développement pour installer 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. Exécuter le projet (une commande, aperçu double mode)

Cette page documente le service YOLOv7 RKNN de reComputer-RK-CV. Il prend en charge la détection COCO, l’aperçu navigateur, l’inférence REST, la caméra et le traitement MP4 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	`yolov7-tiny.rknn`, `yolov7.rknn`
Valeur par défaut	`model/yolov7-tiny.rknn`
Ancres	`model/anchors_yolov7.txt`

Étape A : télécharger les images

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov7:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov7:latest

Étape B : exécuter en un clic

Pour 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-yolov7:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --video_path video/test.mp4

Pour 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-yolov7:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --video_path video/test.mp4

Pour utiliser YOLOv7 complet, changez uniquement le chemin du modèle en model/yolov7.rknn. Conservez l’argument des ancres. Utilisez --camera_id -1 pour le mode téléversement uniquement.

🔌 Documentation de l’API

1. Interface d’inférence du modèle (Predict)

Endpoint : POST /api/models/yolov7/predict

Paramètres de requête (Multipart/Form-Data) :

Vous pouvez fournir file, video, timestamp, realtime, conf et iou ; les seuils par défaut sont 0.25 et 0.45.

Exemples d’utilisation :

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/yolov7/predict" \
  -F "file=@bus.jpg" -F "conf=0.25" -F "iou=0.45"

Format de réponse (JSON) :

json

{
  "success": true,
  "source": "uploaded image",
  "predictions": [
    {
      "class": "bus",
      "confidence": 0.92,
      "box": {"x1": 100, "y1": 120, "x2": 520, "y2": 430}
    }
  ],
  "image": {"width": 640, "height": 480}
}

2. Interface de configuration système (Config)

L’interface multipart accepte les requêtes d’image, d’image MP4 et de source en direct. GET/POST /api/config contrôle les seuils de confiance et de NMS par défaut. Les endpoints d’état, MJPEG, téléversement, analyse, progression, liste et téléchargement suivent la structure standard. Les fichiers utilisent workspace/ par défaut. Les modèles de remplacement nécessitent un fichier d’ancres, une taille d’entrée, une configuration de classes et une disposition de sortie compatibles.

3. Arguments de ligne de commande

Argument	Valeur par défaut	Description
`--platform`	Obligatoire	`rk3576` ou `rk3588`.
`--model_path`	Obligatoire	Fichier RKNN YOLOv7 Tiny ou complet.
`--anchors`	Obligatoire	Fichier d’ancres correspondant au modèle converti.
`--camera_id`	`1`	Indice de caméra ; utilisez `-1` pour les téléversements 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 du service.

Interface de flux vidéo en temps réel (Video Feed)

Obtenez le dernier flux MJPEG annoté pour l’aperçu dans le navigateur :

Endpoint: GET /api/video_feed
Exemple d’utilisation: <img src="http://<BOARD_IP>:8000/api/video_feed">

🛠️ Guide du développeur (recommandations de production)

Compiler localement

bash

docker build -f docker/rk3576/yolov7.dockerfile \
  -t rk3576-yolov7:local src/rk3576_yolov7

docker build -f docker/rk3588/yolov7.dockerfile \
  -t rk3588-yolov7:local src/rk3588_yolov7

Entrées et sorties

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