← モデル

CV / YOLOv8

YOLOv8n_obb

YOLOv8n-OBB回転物体検出シリーズのNanoバージョン。軽量で高効率、回転バウンディングボックスを用いた回転物体検出向けに設計され、エッジデプロイに最適です。

219 ダウンロード
サイズ
~5MB
メモリ
1GB+
精度
INT8

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。

はじめる

デプロイ
sudo docker run --rm \
  --name rk3588-yolov8n-obb \
  --privileged \
  --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video1:/dev/video1 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov8_obb:latest \
  python web_detection.py --model_path model/yolov8n_obb.rknn --video 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 -X POST "http://127.0.0.1:8000/api/models/yolov8n_obb/predict" -F "realtime=true"
# Or without file parameters
curl -X POST "http://127.0.0.1:8000/api/models/yolov8n_obb/predict"
Python
import requests
import json
resp = requests.post(
    "http://127.0.0.1:8000/api/models/yolov8n_obb/predict",
    json={},
    timeout=30
)
result = resp.json()
print(json.dumps(result, indent=2, ensure_ascii=False))

モデル詳細

クイックスタート

1. Dockerのインストール

開発ボードで以下のコマンドを実行してDockerをインストールします：

bash
# インストールスクリプトをダウンロード
curl -fsSL https://get.docker.com -o get-docker.sh
# Aliyunミラーソースを使用してインストール
sudo sh get-docker.sh --mirror Aliyun
# Dockerを起動し、起動時の自動起動を有効化
sudo systemctl enable docker
sudo systemctl start docker

2. プロジェクトの実行（ワンコマンド、Webプレビュー）

このプロジェクトはWebブラウザからのプレビューをサポートしています。プログラムはリアルタイム検出またはローカル動画分析用のWebインターフェースを自動的に提供します。

ステップA: ディスプレイ権限の設定（オプション）

モニターが接続されており、ローカルでウィンドウを表示したい場合：

bash
xhost +local:docker

ステップB: ワンクリックで実行

RK3588の場合：

bash
sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video1:/dev/video1 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov8_obb:latest \
  python web_detection.py --model_path model/yolov8n_obb.rknn --video video/test.mp4

RK3576の場合：

bash
sudo docker run --rm --privileged --net=host \
    -e PYTHONUNBUFFERED=1 \
    -e RKNN_LOG_LEVEL=0 \
    --device /dev/video1:/dev/video1 \
    --device /dev/dri/renderD129:/dev/dri/renderD129 \
    -v /proc/device-tree/compatible:/proc/device-tree/compatible \
    ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_obb:latest \
    python3 web_detection.py --model_path model/yolov8n_obb.rknn --video video/test.mp4

アクセス: http://<Board_IP>:8000

注意: カメラの代わりにローカル動画でテストしたい場合は、--videoパラメータを使用します：

bash
sudo docker run --rm --privileged --net=host \
    -e PYTHONUNBUFFERED=1 \
    -e RKNN_LOG_LEVEL=0 \
    -v $(pwd)/video:/app/video \
    --device /dev/dri/renderD129:/dev/dri/renderD129 \
    -v /proc/device-tree/compatible:/proc/device-tree/compatible \
    ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov8_obb:latest \
    python3 web_detection.py --model_path model/yolov8n_obb.rknn --video video/test.mp4

🔌 APIドキュメント

このプロジェクトはUltralytics Cloud API標準に準拠したRESTfulインターフェースを提供し、画像、動画のアップロードまたは直接カメラ呼び出しによる姿勢推定をサポートします。

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/yolo11/predict（オリジナルのYOLO11パス設計と互換性あり）

リクエストパラメータ（Multipart/Form-Data）：

  • file: （オプション）検出する画像ファイル。
  • video: （オプション）検出するMP4動画ファイル。
  • timestamp: （オプション）動画ファイル内のタイムスタンプ（秒）、その時点のフレームの検出結果を返します。デフォルトは0です。
  • realtime: （オプション）ブール値。trueの場合、またはfile/videoパラメータが提供されていない場合、現在のカメラフレームの検出結果を返します。
  • conf: （オプション）単一リクエストの信頼度しきい値、範囲0.0〜1.0。
  • iou: （オプション）単一リクエストのNMS IOUしきい値、範囲0.0〜1.0。

使用例：

1. 画像検出：

bash
curl -X POST "http://127.0.0.1:8000/api/models/yolov8n_obb/predict" -F "file=@/home/cat/001.jpg"

2. 動画の特定フレーム検出：

bash
curl -X POST "http://127.0.0.1:8000/api/models/yolov8n_obb/predict" -F "video=@/home/cat/test.mp4" -F "timestamp=5.5"

3. 現在のカメラフレーム検出の取得：

bash
curl -X POST "http://127.0.0.1:8000/api/models/yolov8n_obb/predict" -F "realtime=true"
# またはファイルパラメータなしで
curl -X POST "http://127.0.0.1:8000/api/models/yolov8n_obb/predict"

レスポンス形式（JSON）：

json
{
  "success": true,
  "predictions": [
    {
      "class": "plane",
      "confidence": 0.92,
      "poly": [[100, 100], [200, 100], [200, 200], [100, 200]],
      "angle": 1.57
    }
  ]
}

2. ローカル動画分析

  • 動画のアップロード: POST /api/video/upload
  • 動画一覧の取得: GET /api/video/list
  • 動画の分析: POST /api/video/analyze
  • 状態の確認: GET /api/video/status
  • 結果のダウンロード: GET /api/video/download/{filename}

3. システム設定インターフェース（Config）

リアルタイムビデオストリームとデフォルト推論のしきい値を動的に調整するために使用します。

現在の設定の取得

  • エンドポイント: GET /api/config
  • レスポンス: {"obj_thresh": 0.25, "nms_thresh": 0.45, "camera_id": 1, "video_path": null}

システム設定の更新

  • エンドポイント: POST /api/config
  • リクエストボディ（JSON）： {"obj_thresh": 0.3, "nms_thresh": 0.5}
  • レスポンス: {"status": "success"}

4. リアルタイムビデオストリームインターフェース（Video Feed）

姿勢スケルトンが描画されたリアルタイムMJPEGビデオストリームを取得し、HTMLの<img>タグに直接埋め込むことができます。

  • 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（本番環境推奨事項）

コード説明

  • web_detection.py:
    • Web API: FastAPIを統合し、MJPEGストリーミング出力、ファイルアップロード、動画分析をサポートします。
    • RKNN推論: RKNN初期化、モデル読み込み、マルチコア推論ロジックをカプセル化します。
    • モード切り替え: 入力パラメータ（--camera_id、--video_path）に基づいてUIレイアウトを動的に処理します。
  • py_utils/pose_utils.py:
    • 後処理: YOLOv8-Pose固有のBoxデコード、NMSロジック、およびキーポイント抽出。
    • 可視化: カスタマイズされた色でバウンディングボックスと姿勢スケルトンを描画します。

モデルの変更

  1. 学習・変換済みの.rknnモデルをmodel/ディレクトリに配置します。
  2. 実行コマンドに--model_path引数を追加して新しいモデルを指定します。