Skip to main content

在 reComputer-RK 上使用 YOLOv11 进行目标检测

本项目为 Rockchip 系列开发板（RK3588 和 RK3576）提供工业级、高性能的计算机视觉（CV）应用解决方案。项目深度集成 YOLOv11 目标检测模型，利用 NPU 加速，实现低延迟、高帧率的实时推理。

项目结构​

项目按平台进行组织，以管理 RKNN-Toolkit2 的特定驱动和运行时需求：

reComputer-RK-CV/
├── docker/                 # Environment setup files
│   ├── rk3576/             # Dockerfile for RK3576 (rknn-rt 2.1.0+)
│   └── rk3588/             # Dockerfile for RK3588 (rknn-rt 2.1.0+)
├── src/                    # Implementation logic
│   ├── rk3576/             # RK3576 source, models, and dependencies
│   └── rk3588/             # RK3588 source, models, and dependencies
└── .github/workflows/      # CI/CD for automated image building

硬件兼容性​

虽然两款芯片都提供 6 TOPS 的 NPU 性能，但它们在 Docker 中需要不同的硬件路径映射。

平台SoCNPU 节点推荐摄像头镜像标签
RK3588RK3588/RK3588S/dev/dri/renderD129/dev/video1rk3588-yolo
RK3576RK3576/dev/dri/renderD128/dev/video0rk3576-yolo

入门指南​

安装 Docker​

在你的开发板上安装标准 Docker 引擎：

curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
sudo systemctl enable --now docker

X11 转发（可选）​

如果希望在直接连接到开发板的显示器上看到检测窗口：

xhost +local:docker

运行检测项目​

应用程序具备自动检测功能：如果未发现显示设备，将自动启动 MJPEG 流，可通过浏览器访问。

适用于 reComputer RK3588：​

sudo docker run --rm --privileged --net=host \
    -e DISPLAY=$DISPLAY \
    -v /tmp/.X11-unix:/tmp/.X11-unix \
    -e PYTHONUNBUFFERED=1 \
    --device /dev/video1:/dev/video1 \
    --device /dev/dri/renderD129:/dev/dri/renderD129 \
    -v /proc/device-tree/compatible:/proc/device-tree/compatible \
    ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-yolo:latest \
    python web_detection.py --model_path model/yolo11n.rknn --camera_id 1

适用于 reComputer RK3576：​

sudo docker run --rm --privileged --net=host \
    -e DISPLAY=$DISPLAY \
    -v /tmp/.X11-unix:/tmp/.X11-unix \
    -e PYTHONUNBUFFERED=1 \
    --device /dev/video0:/dev/video0 \
    --device /dev/dri/renderD128:/dev/dri/renderD128 \
    -v /proc/device-tree/compatible:/proc/device-tree/compatible \
    ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolo:latest \
    python web_detection.py --model_path model/yolo11n.rknn --camera_id 0

Web 交互与实时流​

本项目包含兼容 Ultralytics 标准的 RESTful API，可通过 http://<Board_IP>:8000. 访问。

  • 实时视频流： 访问 /api/video_feed。可直接嵌入到 HTML 中：
<img src="http://<IP>:8000/api/video_feed">.
  • 静态图像推理：
curl -X POST "http://localhost:8000/api/models/yolo11/predict" -F "file=@/home/user/test.jpg"
  • 动态配置：
# Modify confidence threshold without restarting
curl -X POST "http://localhost:8000/api/config" -d '{"obj_thresh": 0.5}'

开发者指南​

自定义模型部署​

  1. 将转换好的 .rknn 模型放置在主机目录中。
  2. 创建一个类别配置文件 class_config.txt（例如："person"、"car"）。
  3. 通过 -v 挂载，并在启动命令中指定路径：
sudo docker run ... \
    -v $(pwd)/my_model.rknn:/app/model/my_model.rknn \
    -v $(pwd)/class_config.txt:/app/class_config.txt \
    ... \
    python web_detection.py --model_path model/my_model.rknn --class_path class_config.txt

CLI 参数参考​

web_detection.py 支持以下参数：

参数描述默认值
--model_pathRKNN 模型文件路径（必填）
--camera_id摄像头 ID（例如 0 对应 /dev/video0）1
--class_path自定义类别配置文件路径None（默认 COCO 80）
--portWeb 服务器端口8000

演示视频​

观看 YOLOv11 运行在 Seeed 即将推出的 Rockchip RK3576 开发套件最新 EVT 样品上的效果：

技术支持与产品讨论​

感谢您选择我们的产品！我们将为您提供多种支持，确保您在使用我们产品的过程中尽可能顺畅。我们提供多种沟通渠道，以满足不同的偏好和需求。

Loading Comments...