← Modellen

CV / YOLOv10

YOLOv10

YOLOv10n is de lichtgewicht YOLOv10-detector uit de R20 HailoRT-demo.

8 downloads
Grootte
7.36 MB
Geheugen
4GB+
Precisie
RKNN / Hailo HEF

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

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-yolov10:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolov10n.rknn --video_path video/test.mp4

Modeldetails

reComputer RK

YOLOv10 op reComputer RK3576 en RK3588

Deze RKNN-implementatie komt uit de YOLOv10-modules in reComputer-RK-CV. Ze implementeert end-to-end Top-K-nabewerking in twee fasen zonder NMS.

Modelinformatie

EigenschapWaarde
TaakCOCO-objectdetectie met 80 klassen
Invoer640 x 640, letterboxed en van BGR naar RGB omgezet
Variantenyolov10n.rknn, yolov10s.rknn
Standaardmodel/yolov10n.rknn
NabewerkingEnd-to-end Top-K-selectie zonder 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-yolov10:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolov10n.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-yolov10:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolov10n.rknn --video_path video/test.mp4

Selecteer YOLOv10s met --model_path model/yolov10s.rknn. Vervang het videoargument door --camera_id -1 voor alleen uploads.

Opstartargumenten

ArgumentStandaardBeschrijving
--platformVereistrk3576 of rk3588.
--model_pathVereistYOLOv10n- of YOLOv10s-RKNN-bestand.
--camera_id1Camera-index; -1 schakelt opname uit.
--video_pathGeenLokale MP4 in een lus; overschrijft de camera.
--class_pathCOCO-labelsOptionele vervangende klassenlijst.
--host / --port0.0.0.0 / 8000Serviceadres en poort.

REST API

Endpoint: POST /api/models/yolov10/predict

bash
curl -X POST "http://<BOARD_IP>:8000/api/models/yolov10/predict" \
  -F "file=@bus.jpg" -F "conf=0.25"

Voorbeeldantwoord:

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}
}

De API accepteert iou voor compatibiliteit met de standaarddetectieservice, maar de NMS-vrije nabewerking van YOLOv10 gebruikt dit niet. De globale betrouwbaarheid van GET/POST /api/config geldt voor voorbeeld en offline analyse.

De service biedt ook status, MJPEG, video-upload, asynchrone analyse, status, lijst en download. Runtimebestanden worden standaard naar workspace/ geschreven. Een vervangend model moet de invoergrootte en uitvoertensors behouden die de NMS-vrije decoder in web_detection.py verwacht.

Lokaal bouwen

bash
docker build -f docker/rk3576/yolov10.dockerfile \
  -t rk3576-yolov10:local src/rk3576_yolov10

docker build -f docker/rk3588/yolov10.dockerfile \
  -t rk3588-yolov10:local src/rk3588_yolov10

Invoer en uitvoer

Invoer: afbeelding, video of USB-cameraframe. Uitvoer: detectieboxen, klassen, betrouwbaarheidsscores en geannoteerde MJPEG-preview.