CV / PP-YOLOE

PP-YOLOE

Select PP-YOLOE-S or PP-YOLOE-M by changing the RKNN model path.

3 downloads

Precisie

RKNN

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

Platform

Grootte

Inferentie-engine

Aan de slag

Implementeren

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-ppyoloe:latest \
  python web_detection.py --platform rk3576 --model_path model/ppyoloe_s.rknn \
  --class_path model/coco_80_labels_list.txt --camera_id -1

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": "ppyoloe-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

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

Modeldetails

PP-YOLOE op reComputer RK3576 en RK3588

Deze implementatie volgt de PP-YOLOE-modules in reComputer-RK-CV. De service biedt RKNN NPU-inferentie, webvoorbeeld, REST API en asynchrone videoanalyse.

Modelinformatie

Eigenschap	Waarde
Taak	COCO-objectdetectie met 80 klassen
Invoer	Letterbox-RGB van `640 x 640`
Varianten	`ppyoloe_s.rknn`, `ppyoloe_m.rknn`
Standaard	`model/ppyoloe_s.rknn`
Nabewerking	DFL-decodering en klassengerichte NMS

De service uitvoeren

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-ppyoloe:latest \
  python web_detection.py --platform rk3576 \
  --model_path model/ppyoloe_s.rknn \
  --class_path model/coco_80_labels_list.txt --camera_id -1

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-ppyoloe:latest \
  python web_detection.py --platform rk3588 \
  --model_path model/ppyoloe_s.rknn \
  --class_path model/coco_80_labels_list.txt --camera_id -1

Schakel naar PP-YOLOE-M met --model_path model/ppyoloe_m.rknn. Koppel voor camera-invoer /dev/videoN en stel de overeenkomstige --camera_id in.

Opstartargumenten

Argument	Standaard	Beschrijving
`--platform`	Vereist	`rk3576` of `rk3588`.
`--model_path`	Vereist	PP-YOLOE-S- of PP-YOLOE-M-RKNN-bestand.
`--class_path`	COCO-labels	Klassenamen voor serialisatie en tekening.
`--camera_id`	`1`	Camera-index; `-1` schakelt alleen uploads in.
`--video_path`	Geen	Lokale MP4 in een lus; overschrijft de camera.
`--host` / `--port`	`0.0.0.0` / `8000`	Serviceadres en poort.

REST API

Endpoint: POST /api/models/ppyoloe/predict

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/ppyoloe/predict" \
  -F "file=@bus.jpg" -F "conf=0.30" -F "iou=0.45"

json

{
  "success": true,
  "source": "uploaded image",
  "predictions": [
    {
      "class": "bus",
      "confidence": 0.91,
      "box": {"x1": 120, "y1": 80, "x2": 520, "y2": 430}
    }
  ],
  "image": {"width": 640, "height": 480}
}

De invoerprioriteit is afbeelding, geüpload MP4-frame en daarna actieve camera of voorbeeldvideo. GET/POST /api/config regelt de globale object- en NMS-drempels. De runtime biedt ook status, MJPEG, video-upload, asynchrone analyse, status, lijst en download.

web_detection.py voert letterbox-voorverwerking, RKNN-inferentie, PP-YOLOE DFL-decodering, klassengerichte NMS, coördinaatherstel, rendering en API-serialisatie uit. Vervangende modellen moeten compatibel zijn met deze DFL-decoder en uitvoerindeling.

Lokaal bouwen

bash

docker build -f docker/rk3576/ppyoloe.dockerfile \
  -t rk3576-ppyoloe:local src/rk3576_ppyoloe

docker build -f docker/rk3588/ppyoloe.dockerfile \
  -t rk3588-ppyoloe:local src/rk3588_ppyoloe

Invoer en uitvoer

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