CV / PP-YOLOE
PP-YOLOE
PP-YOLOE COCO object detection accelerated by RKNN on reComputer RK3576 and RK3588.
7 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 --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-ppyoloe:latest \
python web_detection.py --platform rk3576 --model_path model/ppyoloe_s.rknn \
--class_path model/coco_80_labels_list.txt --camera_id -1REST 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": "ppyoloe-rknn",
"messages": [{"role": "user", "content": "Hello"}]
}'Python
import requests
resp = requests.post(
"http://localhost:8080/v1/chat/completions",
json={"model": "ppyoloe-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
# 下载安装脚本
curl -fsSL https://get.docker.com -o get-docker.sh
# 使用阿里云镜像源安装
sudo sh get-docker.sh --mirror Aliyun
# 启动 Docker 并设置开机自启
sudo systemctl enable docker
sudo systemctl start docker2. 运行项目（单条命令，双模式预览）
此部署遵循 reComputer-RK-CV 中的 PP-YOLOE 模块。该服务提供 RKNN NPU 推理、Web 预览、REST API 和异步视频分析。
模型信息
| 属性 | 值 |
|---|---|
| 任务 | COCO 80 类目标检测 |
| 输入 | 640 x 640 letterbox RGB |
| 变体 | ppyoloe_s.rknn, ppyoloe_m.rknn |
| 默认值 | model/ppyoloe_s.rknn |
| 后处理 | DFL 解码和类别感知 NMS |
步骤 A：拉取镜像
bash
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-ppyoloe:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-ppyoloe:latest步骤 B：一键运行
适用于 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-ppyoloe:latest \
python web_detection.py --platform rk3576 \
--model_path model/ppyoloe_s.rknn \
--class_path model/coco_80_labels_list.txt --camera_id -1适用于 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-ppyoloe:latest \
python web_detection.py --platform rk3588 \
--model_path model/ppyoloe_s.rknn \
--class_path model/coco_80_labels_list.txt --camera_id -1使用 --model_path model/ppyoloe_m.rknn 可切换到 PP-YOLOE-M。使用摄像头输入时，请映射 /dev/videoN 并设置匹配的 --camera_id。
🔌 API 文档
1. 模型推理接口（Predict）
端点： POST /api/models/ppyoloe/predict
请求参数（Multipart/Form-Data）：
file: 可选的待检测图像文件。video: 可选 MP4 文件。timestamp: 可选的视频时间戳（秒）；默认为第一帧。realtime: 可选布尔值；没有上传文件时使用活动摄像头或本地视频帧。conf: 可选的请求级置信度阈值；默认为0.25。iou: 为兼容标准接口而接受，但 YOLOv10 的无 NMS 后处理不会使用该参数。
使用示例：
bash
curl -X POST "http://<BOARD_IP>:8000/api/models/ppyoloe/predict" \
-F "file=@bus.jpg" -F "conf=0.30" -F "iou=0.45"响应格式（JSON）：
json
{
"success": true,
"source": "uploaded image",
"predictions": [
{
"class": "bus",
"confidence": 0.91,
"box": {"x1": 120, "y1": 80, "x2": 520, "y2": 430}
}
],
"image": {"width": 640, "height": 480}
}2. 系统配置接口（Config）
输入优先级依次为图像、上传的 MP4 帧，以及当前摄像头或示例视频。GET/POST /api/config 控制全局目标阈值和 NMS 阈值。运行时还提供健康检查、MJPEG、视频上传、异步分析、状态、列表和下载接口。
web_detection.py 执行 letterbox 预处理、RKNN 推理、PP-YOLOE DFL 解码、类别感知 NMS、坐标恢复、渲染和 API 序列化。替换模型必须与该 DFL 解码器和输出布局兼容。
3. 命令行参数
| 参数 | 默认值 | 说明 |
|---|---|---|
--platform | 必填 | rk3576 或 rk3588。 |
--model_path | 必填 | PP-YOLOE-S 或 PP-YOLOE-M RKNN 文件。 |
--class_path | COCO 标签 | 用于序列化和绘制的类别名称。 |
--camera_id | 1 | 摄像头索引；-1 表示仅上传模式。 |
--video_path | 无 | 循环播放的本地 MP4；优先级高于摄像头。 |
--host / --port | 0.0.0.0 / 8000 | 服务地址和端口。 |
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/ppyoloe.dockerfile \
-t rk3576-ppyoloe:local src/rk3576_ppyoloe
docker build -f docker/rk3588/ppyoloe.dockerfile \
-t rk3588-ppyoloe:local src/rk3588_ppyoloe输入与输出
Input: image, video frame, or camera frame. Output: COCO classes, confidence scores, and boxes.