CV / PPSeg

PP-LiteSeg

Produces 19-class Cityscapes masks with image, camera, and video service modes.

4 downloads

Precisie

RKNN

Kies het apparaat dat je gebruikt. De installatiehandleiding en documentatie worden dienovereenkomstig bijgewerkt.

Platform

Inferentie-engine

Aan de slag

Implementeren

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppseg:latest \
  python web_service.py --platform rk3576 --model_dir /app/model --camera_id -1 --host 0.0.0.0 --port 8000

REST API

Gebruik de REST API om inferentie uit te voeren. Kopieer de onderstaande commando's.

Curl

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

Python

import requests

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

Modeldetails

PP-LiteSeg op reComputer RK3576 en RK3588

Deze service verpakt het PP-LiteSeg Cityscapes-voorbeeld uit reComputer-RK-CV met RKNN-inferentie, webvoorbeeld, REST API en asynchrone MP4-verwerking.

Modelinformatie

Eigenschap	Waarde
Model	`model/ppseg.rknn`
Invoer	`512 x 512` RGB
Uitvoer	Cityscapes-segmentatiemasker met 19 klassen
Opwarmingsafbeelding	`model/test.png`

De service uitvoeren

RK3576

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppseg:latest \
  python web_service.py --platform rk3576 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

RK3588

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-ppseg:latest \
  python web_service.py --platform rk3588 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

Open http://<BOARD_IP>:8000 of /docs. Gebruik --camera_id N met een gekoppeld /dev/videoN-knooppunt voor een camera. Gebruik --video video/test.mp4 voor de meegeleverde video; --video en --video_path zijn aliassen en overschrijven de camera.

Opstartargumenten

Argument	Standaard	Beschrijving
`--platform`	Vereist	`rk3576` of `rk3588`.
`--model_dir`	`model`	Map met `ppseg.rknn` en `test.png`.
`--camera_id`	`-1`	Camera-index; `-1` schakelt opname uit.
`--video`, `--video_path`	Geen	Lokale video in een lus; overschrijft de camera.
`--host` / `--port`	`0.0.0.0` / `8000`	FastAPI-luisteradres en -poort.

PYTHONUNBUFFERED=1 schrijft logs onmiddellijk weg. RKNN_LOG_LEVEL=0 onderdrukt bekende onschadelijke initialisatieberichten van statische modellen; verwijder dit bij diagnose van RKNN-opstartproblemen.

REST API

Endpoint: POST /api/models/ppseg/predict

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/ppseg/predict" \
  -F "file=@test.png"

Het antwoord bevat inferentietijd, bronafmetingen en het aantal pixels per klasse. De nieuwste maskeroverlay wordt geleverd via GET /api/video_feed.

Endpoint	Doel
`GET /api/health`	Platform, modelnamen en gereedheid.
`GET /api/video_feed`	Nieuwste kleurenmaskeroverlay als MJPEG.
`POST /api/video/upload`	Eén MP4 uploaden in het veld `file`.
`POST /api/video/analyze`	Een geüploade `filename` analyseren.
`GET /api/video/status`	Achtergrondvoortgang en fouten.
`GET /api/video/list`	Geüploade en gegenereerde video’s.
`GET /api/video/download/{filename}`	Een resultaat downloaden.

De algemene configuratievelden threshold en topk blijven bestaan voor servicecompatibiliteit, maar wijzigen de vaste argmax-segmentatie niet. Een vervangend model moet de verwachte uitvoer met 19 klassen behouden of het palet en de nabewerking aanpassen.

De runtime schaalt invoer naar 512 x 512, zet BGR om naar RGB, accepteert NCHW- of NHWC-uitvoer met 19 klassen, herstelt het masker met nearest-neighbor-interpolatie en legt het Cityscapes-palet eroverheen. Conversiebronnen staan in rknn_model_zoo/examples/ppseg van het upstream-project.

Lokaal bouwen

bash

docker build -f docker/rk3576/ppseg.dockerfile \
  -t rk3576-ppseg:local src/rk3576_ppseg

docker build -f docker/rk3588/ppseg.dockerfile \
  -t rk3588-ppseg:local src/rk3588_ppseg

Invoer en uitvoer

Input: image, video frame, or camera frame. Output: Cityscapes mask, class pixel counts, and overlay.