YOLOv10

Snel aan de slag

1. Docker installeren

Voer de volgende opdrachten op het ontwikkelbord uit om Docker te installeren:

# 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. Het project uitvoeren (één opdracht, voorbeeld in twee modi)

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

Stap A: Images ophalen

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov10:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov10:latest

Stap B: Met één klik uitvoeren

Voor RK3576:

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

Voor RK3588:

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.

🔌 API-documentatie

1. Interface voor modelinferentie (Predict)

Endpoint: POST /api/models/yolov10/predict

Aanvraagparameters (Multipart/Form-Data):

Beschikbaar zijn file, video, timestamp, realtime, conf en iou; de standaarddrempels zijn 0.25 en 0.45.

Gebruiksvoorbeelden:

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

Voorbeeldantwoord:

Antwoordformaat (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. Interface voor systeemconfiguratie (Config)

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.

3. Opdrachtregelargumenten

Realtime videostream (Video Feed)

Haal de nieuwste geannoteerde MJPEG-stream op voor de browserweergave:

• Endpoint: GET /api/video_feed
• Voorbeeldgebruik: <img src="http://<BOARD_IP>:8000/api/video_feed">

🛠️ Ontwikkelaarshandleiding (aanbevelingen voor productie)

Lokaal bouwen

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