← 模型

CV / YOLOv7

YOLOv7

YOLOv7 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-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

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）

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

步骤 A：拉取镜像

bash
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolov7:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov7: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-yolov7:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolov7-tiny.rknn \
  --anchors model/anchors_yolov7.txt --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-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。

🔌 API 文档

1. 模型推理接口（Predict）

端点： POST /api/models/yolov7/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/yolov7/predict" \
  -F "file=@bus.jpg" -F "conf=0.25" -F "iou=0.45"

响应格式（JSON）：

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}
}

2. 系统配置接口（Config）

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。

3. 命令行参数

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_id1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_pathCOCO 标签可选的替换类别列表。
--host / --port0.0.0.0 / 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/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.