CV / YOLOX

YOLOX

YOLOX COCO object detection on reComputer RK3576, RK3588, and CM5 with Hailo-8 or Hailo-10H.

34 次下载

精度

RKNN / Hailo HEF

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-yolox:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolox_s.rknn \
  --class_path model/coco_80_labels_list.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": "yolox-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

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

模型详情

reComputer RK

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）

本文基于 reComputer-RK-CV 中的 YOLOX 服务。运行时执行 RKNN 推理、YOLOX 分支解码、目标性/类别分数融合以及类别感知 NMS。

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	`yolox_s.rknn`, `yolox_m.rknn`
默认值	`model/yolox_s.rknn`
标签	`model/coco_80_labels_list.txt`

步骤 A：拉取镜像

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolox:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolox: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-yolox:latest \
  python3 web_detection.py --platform rk3576 \
  --model_path model/yolox_s.rknn \
  --class_path model/coco_80_labels_list.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-yolox:latest \
  python3 web_detection.py --platform rk3588 \
  --model_path model/yolox_s.rknn \
  --class_path model/coco_80_labels_list.txt --video_path video/test.mp4

中型变体使用 model/yolox_m.rknn。切换模型时保留类别路径参数。打开 http://<BOARD_IP>:8000 或 /docs。

🔌 API 文档

1. 模型推理接口（Predict）

端点： POST /api/models/yolox/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/yolox/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": 0.91,
      "box": {"x1": 100, "y1": 120, "x2": 520, "y2": 430}
    }
  ],
  "image": {"width": 640, "height": 480}
}

2. 系统配置接口（Config）

服务接受图像、上传视频帧和当前输入源请求。GET/POST /api/config 控制 obj_thresh 和 nms_thresh；请求级 conf 和 iou 会覆盖它们。服务还提供健康检查、MJPEG、视频上传、异步分析、状态、列表和下载端点。

输入会进行 letterbox、转换为 RGB、按分支解码，并经过目标性/类别分数融合和类别感知 NMS 处理。替换模型必须匹配内置的 YOLOX 解码器和类别配置。

3. 命令行参数

参数	默认值	说明
`--platform`	必填	`rk3576` 或 `rk3588`。
`--model_path`	必填	YOLOX-S 或 YOLOX-M RKNN 文件。
`--class_path`	打包命令要求必填	COCO 类别名称文件。
`--camera_id`	`1`	摄像头索引；`-1` 表示仅允许上传。
`--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/yolox.dockerfile \
  -t rk3576-yolox:local src/rk3576_yolox

docker build -f docker/rk3588/yolox.dockerfile \
  -t rk3588-yolox:local src/rk3588_yolox

输入与输出

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