Détection d'objets aériens sur reComputer RK3576

Détection d'objets aériens YOLOv8s entraînée sur VisDrone, prenant en charge 11 classes aériennes.

Code source: https://github.com/inteintegrity/rk3576-airborne-detection

Démarrage rapide

Récupérer l'image du projet via Docker

bash

docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest

Tester le modèle avec l'exemple intégré

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video0:/dev/video0 \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest \
  python3 web_detection.py --model_path model/yolov8s_airborne.rknn --video video/test.mp4

Accédez à http://<board_ip>:8000/ pour voir l'inférence en temps réel.

11 classes aériennes VisDrone

Classe	Description
pedestrian	Piéton
people	Groupe de personnes
bicycle	Vélo
car	Voiture
van	Fourgonnette
truck	Camion
tricycle	Tricycle
awning-tricycle	Tricycle bâché
bus	Bus
motor	Moto
others	Autres

Caméra en temps réel

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video0:/dev/video0 \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest \
  python3 web_detection.py --model_path model/yolov8s_airborne.rknn --camera_id 0

Extensions d'inférence IA

Moteur d'inférence: Basé sur l'API RKNN C, accélération NPU RK3576. Entrée du modèle: Modèle quantifié yolov8s_airborne.rknn, entrée fixe 640×640. Post-traitement: Décodage DFL et NMS YOLOv8, 11 classes aériennes VisDrone.

Recommandations de déploiement

Permissions: Mode --privileged obligatoire, mapper /dev/video* et /dev/dri/renderD*. Classes personnalisées: Utiliser --class_path class_config.txt.