CV / YOLOv6

YOLOv6

YOLOv6 COCO object detection accelerated by RKNN on reComputer RK3576 and RK3588.

8 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-yolov6:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolov6n.rknn --video_path video/test.mp4

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": "yolov6-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov6-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Modeldetails

Snel aan de slag

1. Docker installeren

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

bash

# 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 implementatie is gebaseerd op de YOLOv6-modules in reComputer-RK-CV. Ze voert COCO-detectie uit met RKNN-Toolkit-Lite2 en biedt browservoorbeeld, REST-inferentie en offline videoverwerking.

Modelinformatie

Eigenschap	Waarde
Taak	COCO-objectdetectie met 80 klassen
Invoer	`640 x 640`, letterboxed en van BGR naar RGB omgezet
Varianten	`yolov6n.rknn`, `yolov6s.rknn`, `yolov6m.rknn`
Standaard	`model/yolov6n.rknn`
Uitvoer	Klassen, betrouwbaarheidsscores en vakken in de bronafbeelding

Stap A: Images ophalen

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov6:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov6:latest

Stap B: Met één klik uitvoeren

Selecteer de modelgrootte door --model_path te wijzigen.

Voor 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-yolov6:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolov6n.rknn --video_path video/test.mp4

Voor 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-yolov6:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolov6n.rknn --video_path video/test.mp4

Gebruik model/yolov6s.rknn of model/yolov6m.rknn voor de andere varianten. Vervang --video_path video/test.mp4 door --camera_id -1 voor alleen uploads. Open http://<BOARD_IP>:8000 of /docs.

🔌 API-documentatie

1. Interface voor modelinferentie (Predict)

Endpoint: POST /api/models/yolov6/predict

Aanvraagparameters (Multipart/Form-Data):

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

Gebruiksvoorbeelden:

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/yolov6/predict" \
  -F "file=@bus.jpg" -F "conf=0.25" -F "iou=0.45"

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/yolov6/predict" \
  -F "video=@test.mp4" -F "timestamp=5.5"

Antwoordformaat (JSON):

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)

GET /api/config geeft obj_thresh en nms_thresh terug. Werk ze bij met POST /api/config; verzoekvelden conf en iou overschrijven globale waarden.

De service biedt ook GET /api/health, GET /api/video_feed, POST /api/video/upload, POST /api/video/analyze en endpoints voor videostatus, lijst en download. Bestanden staan onder workspace/ tenzij RK_CV_WORKSPACE is ingesteld. Vervangende modellen moeten de invoergrootte en YOLOv6-tensorindeling behouden die web_detection.py verwacht.

3. Opdrachtregelargumenten

Argument	Standaard	Beschrijving
`--platform`	Vereist	`rk3576` of `rk3588`; moet met de image overeenkomen.
`--model_path`	Vereist	Een van de meegeleverde YOLOv6-RKNN-bestanden.
`--camera_id`	`1`	Camera-index; `-1` schakelt alleen uploads in.
`--video_path`	Geen	Lokale MP4 in een lus; overschrijft de camera.
`--class_path`	COCO-labels	Optionele vervangende klassenlijst.
`--host` / `--port`	`0.0.0.0` / `8000`	FastAPI-luisteradres en -poort.

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

bash

docker build -f docker/rk3576/yolov6.dockerfile \
  -t rk3576-yolov6:local src/rk3576_yolov6

docker build -f docker/rk3588/yolov6.dockerfile \
  -t rk3588-yolov6:local src/rk3588_yolov6

Invoer en uitvoer

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