Luchtobjectdetectie op reComputer RK3576

VisDrone-getrainde YOLOv8s luchtobjectdetectie, ondersteunt 11 luchtcategorieën.

Broncode: https://github.com/inteintegrity/rk3576-airborne-detection

Snel starten

Project-image ophalen via Docker

bash

docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest

Model testen met ingebouwd voorbeeld

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video0:/dev/video0 \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest \
  python3 web_detection.py --model_path model/yolov8s_airborne.rknn --video video/test.mp4

Ga naar http://<board_ip>:8000/ voor realtime inferentie.

11 VisDrone luchtcategorieën

Categorie	Beschrijving
pedestrian	Voetganger
people	Groep mensen
bicycle	Fiets
car	Personenauto
van	Bestelwagen
truck	Vrachtwagen
tricycle	Driewieler
awning-tricycle	Driewieler met luifel
bus	Bus
motor	Motorfiets
others	Overige

Camera realtime

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 \
  -e RKNN_LOG_LEVEL=0 \
  --device /dev/video0:/dev/video0 \
  --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov8_airborne:latest \
  python3 web_detection.py --model_path model/yolov8s_airborne.rknn --camera_id 0

AI-inferentie-uitbreidingen

Inferentie-engine: Gebaseerd op RKNN C API, RK3576 NPU-versnelling. Modelinvoer: Gekwantiseerd model yolov8s_airborne.rknn, vaste invoer 640×640. Nabewerking: YOLOv8 DFL-boxdecodering en NMS, 11 VisDrone luchtcategorieën.

Implementatie-aanbevelingen

Rechten: --privileged-modus vereist, /dev/video* en /dev/dri/renderD* expliciet mappen. Aangepaste klassen: Gebruik --class_path class_config.txt.