CV / YOLOv7

YOLOv7

Select the lightweight YOLOv7-Tiny or full YOLOv7 model with the model-path parameter.

2 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。

平台

尺寸

推理引擎

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-yolov7:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --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": "yolov7-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov7-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

模型详情

在 reComputer RK3576 和 RK3588 上运行 YOLOv7

本文介绍 reComputer-RK-CV 中的 YOLOv7 RKNN 服务。它支持 COCO 检测、浏览器预览、REST 推理、摄像头输入和离线 MP4 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	`yolov7-tiny.rknn`, `yolov7.rknn`
默认值	`model/yolov7-tiny.rknn`
锚框	`model/anchors_yolov7.txt`

运行服务

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-yolov7:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --video_path video/test.mp4

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-yolov7:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --video_path video/test.mp4

使用完整 YOLOv7 时，只需将模型路径改为 model/yolov7.rknn。保留锚框参数。使用 --camera_id -1 可启用仅上传模式。

启动参数

参数	默认值	说明
`--platform`	必填	`rk3576` 或 `rk3588`。
`--model_path`	必填	Tiny 或完整 YOLOv7 RKNN 文件。
`--anchors`	必填	与转换模型匹配的锚框文件。
`--camera_id`	`1`	摄像头索引；使用 `-1` 表示仅上传。
`--video_path`	无	循环播放的本地 MP4；优先级高于摄像头。
`--class_path`	COCO 标签	可选的替换类别列表。
`--host` / `--port`	`0.0.0.0` / `8000`	服务地址和端口。

REST API

端点： POST /api/models/yolov7/predict

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/yolov7/predict" \
  -F "file=@bus.jpg" -F "conf=0.25" -F "iou=0.45"

json

{
  "success": true,
  "source": "uploaded image",
  "predictions": [
    {
      "class": "bus",
      "confidence": 0.92,
      "box": {"x1": 100, "y1": 120, "x2": 520, "y2": 430}
    }
  ],
  "image": {"width": 640, "height": 480}
}

Multipart 接口接受图像、MP4 帧和实时输入源请求。GET/POST /api/config 控制默认置信度和 NMS 阈值。健康检查、MJPEG、视频上传、分析、进度、列表和下载端点遵循标准服务结构。运行时文件默认使用 workspace/。替换模型需要匹配的锚框文件、输入尺寸、类别配置和输出布局。

本地构建

bash

docker build -f docker/rk3576/yolov7.dockerfile \
  -t rk3576-yolov7:local src/rk3576_yolov7

docker build -f docker/rk3588/yolov7.dockerfile \
  -t rk3588-yolov7:local src/rk3588_yolov7

输入与输出

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