CV / YOLOv6

YOLOv6

YOLOv6 COCO object detection accelerated by RKNN on reComputer RK3576 and RK3588.

8 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 --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

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": "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())

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）

このデプロイはreComputer-RK-CVのYOLOv6モジュールを基にしています。RKNN-Toolkit-Lite2でCOCO物体検出を実行し、ブラウザプレビュー、REST推論、オフライン動画処理を提供します。

モデル情報

プロパティ	値
タスク	COCO 80クラス物体検出
入力	`640 x 640`、レターボックス後にBGRからRGBへ変換
バリアント	`yolov6n.rknn`, `yolov6s.rknn`, `yolov6m.rknn`
デフォルト	`model/yolov6n.rknn`
出力	クラス、信頼度スコア、元画像上のボックス

ステップ A：イメージをプル

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov6:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov6:latest

ステップ B：ワンクリックで実行

--model_pathを変更してモデルサイズを選択します。

** 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

他のカタログバリアントにはmodel/yolov6s.rknnまたはmodel/yolov6m.rknnを使用します。アップロード専用モードでは--video_path video/test.mp4を--camera_id -1へ置き換えます。http://<BOARD_IP>:8000または/docsを開きます。

🔌 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/yolov6/predict

リクエストパラメータ（Multipart/Form-Data）：

file、video、timestamp、realtime、conf、iouを指定できます。しきい値のデフォルトは0.25と0.45です。

使用例：

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"

レスポンス形式（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. システム設定インターフェース（Config）

GET /api/configはobj_threshとnms_threshを返します。POST /api/configで更新でき、リクエストフィールドconfとiouがグローバル値を上書きします。

サービスはGET /api/health、GET /api/video_feed、POST /api/video/upload、POST /api/video/analyze、動画状態、一覧、ダウンロードの各エンドポイントも提供します。RK_CV_WORKSPACEを設定しない限り、実行時ファイルはworkspace/に置かれます。置き換えるモデルはweb_detection.pyが期待する入力サイズとYOLOv6テンソルレイアウトを維持する必要があります。

3. コマンドライン引数

引数	デフォルト	説明
`--platform`	必須	`rk3576`または`rk3588`。イメージと一致させる必要があります。
`--model_path`	必須	パッケージ済みYOLOv6 RKNNファイルのいずれか。
`--camera_id`	`1`	カメラインデックス。`-1`はアップロード専用モードを有効にします。
`--video_path`	なし	ループ再生するローカルMP4。カメラより優先されます。
`--class_path`	COCOラベル	任意の置換クラス一覧。
`--host` / `--port`	`0.0.0.0` / `8000`	FastAPIのリッスンアドレスとポート。

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）

ローカルでビルドする

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

入力と出力

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