← 模型

CV / YOLOv6

YOLOv6

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

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

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": "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())

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 docker

2. 运行项目（单条命令，双模式预览）

此部署基于 reComputer-RK-CV 中的 YOLOv6 模块。它使用 RKNN-Toolkit-Lite2 运行 COCO 目标检测，并提供浏览器预览、REST 推理和离线视频处理。

模型信息

属性值
任务COCO 80 类目标检测
输入640 x 640，进行 letterbox 并从 BGR 转换为 RGB
变体yolov6n.rknn, yolov6s.rknn, yolov6m.rknn
默认值model/yolov6n.rknn
输出类别、置信度分数和源图像边界框

步骤 A：拉取镜像

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

步骤 B：一键运行

通过更改 --model_path 选择模型大小。

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

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

其他目录变体可使用 model/yolov6s.rknn 或 model/yolov6m.rknn。将 --video_path video/test.mp4 替换为 --camera_id -1 可启用仅上传模式。打开 http://<BOARD_IP>:8000 或 /docs。

🔌 API 文档

1. 模型推理接口（Predict）

端点： POST /api/models/yolov6/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: 可选的请求级 NMS IoU 阈值；默认为 0.45。

使用示例：

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"

响应格式（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. 系统配置接口（Config）

GET /api/config 返回 obj_thresh 和 nms_thresh。使用 POST /api/config 更新它们；请求字段 conf 和 iou 会覆盖全局值。

服务还提供 GET /api/health、GET /api/video_feed、POST /api/video/upload、POST /api/video/analyze 以及视频状态、列表和下载端点。除非设置 RK_CV_WORKSPACE，否则运行时文件位于 workspace/ 下。替换模型必须保持 web_detection.py 所需的输入尺寸和 YOLOv6 张量布局。

3. 命令行参数

参数默认值说明
--platform必填rk3576 或 rk3588；必须与镜像匹配。
--model_path必填打包的 YOLOv6 RKNN 文件之一。
--camera_id1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。
--class_pathCOCO 标签可选的替换类别列表。
--host / --port0.0.0.0 / 8000FastAPI 监听地址和端口。

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

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

输入与输出

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