CV / ResNet

ResNet50V2

ResNet50V2 image classification accelerated by RKNN on reComputer RK3576 and RK3588.

2 ダウンロード

精度

RKNN

使用しているデバイスを選択してください。セットアップガイドとドキュメントがそれに応じて更新されます。

プラットフォーム

サイズ

推論エンジン

はじめる

デプロイ

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --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-resnet50v2:latest \
  python3 web_classification.py --model_path model/rk3576_resnet50-v2-7.rknn --camera_id -1

REST API

REST API を使用して推論を実行します。以下のコマンドをコピーしてください。

Curl

curl http://localhost:8080/v1/chat/completions -d '{
  "model": "resnet50-v2-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "resnet50-v2-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

モデル詳細

クイックスタート

1. Docker のインストール

開発ボードで次のコマンドを実行して Docker をインストールします：

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. プロジェクトの実行（1コマンド、デュアルモードプレビュー）

このページはreComputer-RK-CVのResNet50V2 READMEを基にしています。Rockchip NPUでImageNet分類を実行し、ブラウザ、MJPEG、ヘルスチェック、RESTインターフェースを提供します。

モデル情報

プロパティ	値
タスク	画像分類
入力	`224 x 224` RGB画像
出力	設定可能なTop-K ImageNetラベルと信頼度スコア
RK3576モデル	`model/rk3576_resnet50-v2-7.rknn`
RK3588モデル	`model/rk3588_resnet50-v2-7.rknn`
ラベル	`model/synset.txt`

ステップ A：イメージをプル

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-resnet50v2:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-resnet50v2:latest

ステップ B：ワンクリックで実行

** RK3576：**

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --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-resnet50v2:latest \
  python3 web_classification.py \
  --model_path model/rk3576_resnet50-v2-7.rknn --camera_id -1

** RK3588：**

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --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-resnet50v2:latest \
  python3 web_classification.py \
  --model_path model/rk3588_resnet50-v2-7.rknn --camera_id -1

Webページはhttp://<BOARD_IP>:8000、OpenAPIはhttp://<BOARD_IP>:8000/docsで開きます。

🔌 API ドキュメント

1. モデル推論インターフェース（Predict）

エンドポイント： POST /api/models/resnet50v2/predict

リクエストパラメータ（Multipart/Form-Data）：

省略可能なフィールドはfile、video、timestamp、conf、topkです。topkは1～20、confは0.0～1.0です。アップロードがなければ現在の動画ソースを使用します。

使用例：

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/resnet50v2/predict" \
  -F "file=@dog_224x224.jpg" -F "topk=5" -F "conf=0.01"

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/resnet50v2/predict" \
  -F "video=@test.mp4" -F "timestamp=5.5" -F "topk=3"

レスポンス形式（JSON）：

json

{
  "success": true,
  "model": "resnet50v2",
  "source": "uploaded image",
  "predictions": [
    {"class": "n02099601 golden retriever", "confidence": 0.89}
  ],
  "image": {"width": 224, "height": 224}
}

2. システム設定インターフェース（Config）

GET /api/configはconf_threshを返します。POST /api/configを通じてJSONで更新します。リクエスト単位のconfが優先されます。

エンドポイント	用途
`GET /api/health`	サービス、プラットフォーム、モデル、準備状態。
`GET /api/video_feed`	注釈付きMJPEGプレビュー。
`POST /api/video/upload`	画像またはMP4をアップロードします。
`POST /api/video/analyze`	アップロード済みの`filename`を解析します。
`GET /api/video/status`	処理進捗とエラー。
`GET /api/video/list`	アップロード済みおよび生成済みファイル。
`GET /api/video/download/{filename}`	結果をダウンロードします。

3. コマンドライン引数

アプリケーションは、アップロード画像、アップロードMP4から選択したフレーム、ループ再生するローカル動画、カメラフレームを受け付けます。

引数	デフォルト	説明
`--model_path`	必須	対象SoC向けに選択したRKNNモデル。
`--camera_id`	`1`	カメラインデックス。アップロード専用モードには`-1`を使用します。
`--video_path`	なし	ローカルMP4のパス。カメラより優先されます。
`--host`	`0.0.0.0`	FastAPIのリッスンアドレス。
`--port`	`8000`	サービスポート。

カメラNを選択する場合は/dev/videoNをコンテナへマッピングします。

リアルタイム動画ストリーム（Video Feed）

ブラウザプレビュー用の最新の注釈付き MJPEG ストリームを取得します：

エンドポイント: GET /api/video_feed
使用例: <img src="http://<BOARD_IP>:8000/api/video_feed">

🛠️ 開発者ガイド（本番環境向け推奨事項）

モデルの置き換え

ランタイムは入力を224 x 224へリサイズし、BGRからRGBへ変換し、softmaxを適用してTop-K結果を絞り込みます。置き換えるモデルは想定される入力レイアウト、正規化、チャネル順、出力形式を維持する必要があります。クラスセットが変わる場合はsynset.txtを更新してください。実行時ファイルはworkspace/に保存され、RK_CV_WORKSPACEで場所を上書きできます。

ローカルでビルドする

bash

docker build -f docker/rk3576/resnet50v2.dockerfile \
  -t rk3576-resnet50v2:local src/rk3576_resnet50v2

docker build -f docker/rk3588/resnet50v2.dockerfile \
  -t rk3588-resnet50v2:local src/rk3588_resnet50v2

入力と出力

Input: image, video frame, or camera frame. Output: Top-K ImageNet labels and confidence scores.