← 模型

CV / PPSeg

PP-LiteSeg

PP-LiteSeg Cityscapes semantic segmentation accelerated by RKNN.

4 次下载
精度
RKNN

选择你正在使用的设备，设置指南和文档将相应更新。

快速开始

部署
sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppseg:latest \
  python web_service.py --platform rk3576 --model_dir /app/model --camera_id -1 --host 0.0.0.0 --port 8000

REST API

使用 REST API 进行推理。复制以下命令。

Curl
curl http://localhost:8080/v1/chat/completions -d '{
  "model": "pp-liteseg-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'
Python
import requests

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

模型详情

快速开始

1. 安装 Docker

在开发板上运行以下命令安装 Docker：

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. 运行项目（单条命令，双模式预览）

该服务打包了 reComputer-RK-CV 中的 PP-LiteSeg Cityscapes 示例，并提供 RKNN 推理、Web 预览、REST API 和异步 MP4 处理。

模型信息

属性值
模型model/ppseg.rknn
输入512 x 512 RGB
输出19 类 Cityscapes 分割掩码
预热图像model/test.png

步骤 A：拉取镜像

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

步骤 B：一键运行

适用于 RK3576：

bash
sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppseg:latest \
  python web_service.py --platform rk3576 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

适用于 RK3588：

bash
sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-ppseg:latest \
  python web_service.py --platform rk3588 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

打开 http://<BOARD_IP>:8000 或 /docs。使用摄像头时，请通过映射的 /dev/videoN 节点指定 --camera_id N。使用 --video video/test.mp4 可播放内置视频；--video 和 --video_path 是别名，且优先级高于摄像头。

🔌 API 文档

1. 分割推理接口（Predict）

端点： POST /api/models/ppseg/predict

请求参数（Multipart/Form-Data）：

上传待分割的 file；可使用模型专属的可选参数调整输出。

使用示例：

bash
curl -X POST "http://<BOARD_IP>:8000/api/models/ppseg/predict" \
  -F "file=@test.png"

响应包含推理时间、源图像尺寸和每个类别的像素数。最新掩码叠加图由 GET /api/video_feed 提供。

端点用途
GET /api/health平台、模型名称和就绪状态。
GET /api/video_feed以 MJPEG 提供最新彩色掩码叠加图。
POST /api/video/upload在 file 字段中上传一个 MP4。
POST /api/video/analyze分析已上传的 filename。
GET /api/video/status后台进度和错误。
GET /api/video/list已上传和生成的视频。
GET /api/video/download/{filename}下载结果。

2. 系统配置接口（Config）

通用 threshold 和 topk 配置字段仅为服务兼容性而保留，不会改变固定的 argmax 分割。替换模型必须保留预期的 19 类输出，否则需要更新调色板和后处理代码。

运行时将输入缩放到 512 x 512，从 BGR 转换为 RGB，接受 NCHW 或 NHWC 的 19 类输出，使用最近邻插值恢复掩码，并叠加 Cityscapes 调色板。转换源文件位于上游项目的 rknn_model_zoo/examples/ppseg 下。

3. 命令行参数

参数默认值说明
--platform必填rk3576 或 rk3588。
--model_dirmodel包含 ppseg.rknn 和 test.png 的目录。
--camera_id-1摄像头索引；-1 禁用采集。
--video, --video_path无循环播放的本地视频；优先级高于摄像头。
--host / --port0.0.0.0 / 8000FastAPI 监听地址和端口。

PYTHONUNBUFFERED=1 会立即刷新日志。RKNN_LOG_LEVEL=0 会抑制已知无害的静态模型初始化消息；调试 RKNN 启动问题时请将其移除。

实时视频流接口（Video Feed）

获取带标注的最新 MJPEG 视频流，用于浏览器预览：

  • 端点: GET /api/video_feed
  • 示例用法: <img src="http://<BOARD_IP>:8000/api/video_feed">

🛠️ 开发者指南（生产环境建议）

本地构建

bash
docker build -f docker/rk3576/ppseg.dockerfile \
  -t rk3576-ppseg:local src/rk3576_ppseg

docker build -f docker/rk3588/ppseg.dockerfile \
  -t rk3588-ppseg:local src/rk3588_ppseg

输入与输出

Input: image, video frame, or camera frame. Output: Cityscapes mask, class pixel counts, and overlay.