如何使用 reComputer AI Lab 部署 YOLO 项目

reComputer AI Lab 是由 Seeed 推出的边缘 AI 开发平台，围绕即用型体验构建。该平台预集成主流 AI 应用场景，包括通过定制系统镜像实现 YOLO 等功能，并支持一键部署与推理执行，显著降低了开发者使用 AI Box 产品系列的学习门槛。

目前支持三个硬件系列：

•RK系列：Rockchip RK3588 / RK3576

•R系列：树莓派搭配Hailo NPU

•J系列：NVIDIA Jetson

在实际测试过程中，我注意到官方网站缺少完整的部署流程的详细分步指导。本教程记录了通过AI Lab部署模型的每一个关键细节，为未来的开发者提供更顺畅的使用体验。

本指南仅针对RK系列(RK3588 / RK3576)。

平台导航布局

AI Lab平台包含六个核心导航标签页，其中最重要的四个部分是模型、工具、教程和项目。

它们各自的功能如下：

•包含预构建可部署模型和核心运行时脚本的模型库

•所有实用工具的中央存储库(包括RKNN模型转换器、LLM评测工具)，并配有专用使用指南

支持的边缘设备硬件文档及设置教程

•使用该平台及兼容硬件构建的开源项目图集，用于学习和参考

AI Lab 上的预集成 YOLO 模型

YOLO(You Only Look Once)是目标检测领域最具标志性的模型家族之一。该系列于2015年首次发布，现已发展至YOLO11版本。其核心创新在于单次检测：将目标检测视为一个回归任务，每帧仅需一次前向传播，从而实现超快的推理速度。

reComputer AI Lab 提供四个预打包模型套件类别：CV、LLM、SOUND 和 VLM。仅 YOLO 套件就包含 18 个预先转换的模型，涵盖 YOLOv5、YOLOv8 和 YOLO11，具体如下：

•YOLO11 家族：基于 COCO 80 类别数据集训练的三种轻量级目标检测变体

•YOLOv5 家族：3 个标准尺寸的目标检测模型、1 个 ReLU 优化的检测变体，以及 3 个实例分割模型(共 7 种;均在 COCO 80 上训练)

•YOLOv8 家族：1 个人体姿态估计模型、3 种目标检测变体、3 种实例分割模型以及 1 种旋转边界框检测模型(所有检测与分割模型均在 COCO 80 上训练)

•其他计算机视觉模型：DeepLab v3、深度估计、人物属性识别、U-Net、SegFormer、SCRFD、Depth Anything

Docker 环境配置

reComputer AI Lab 上的所有人工智能应用均以 Docker 容器形式分发。容器化技术可确保不同工作负载之间的环境完全隔离，并避免了手动安装依赖项的繁琐过程。

安装 Docker

在您的边缘板终端上运行以下命令：

成功安装后将输出 Docker 的版本号，示例输出如下：

配置 Docker 用户权限

默认情况下，只有 root 用户才能执行 Docker 命令。为了避免每次命令前都加上 sudo，可将当前用户添加到 Docker 组中：

重新登录您的用户会话，以使权限变更生效。请通过以下方式验证：

如果没有出现权限错误，则权限配置已完成。

模型部署

硬件连接与设备初始化

本以软件为主的教程未涵盖 reComputer RK3576 的刷机和基础调试流程。有关硬件刷机的指导，请参考下方链接中的官方文档：官方硬件连接指南

按照以下硬件连接顺序操作：

•输入设备：将键盘和鼠标插入可用的USB端口

•显示输出：通过HDMI线将开发板连接到显示器

•网络接入：将以太网线插入相机模块的千兆以太网端口

•USB摄像头：可直接插入任意USB接口

•CSI摄像头：先关闭板子电源，再连接摄像头数据线，然后重新开启电源

•电源：最后连接电源。电路板将自动启动，无需物理电源开关。

首次启动系统配置

首次启动时，将出现一个交互式设置提示，用于设置根账户密码及其他核心系统配置：

设置完成后，您将被引导至图形化登录界面。使用安装时创建的用户名和密码登录，即可进入桌面环境。

拉取 YOLO 容器镜像

现在您已浏览完AI Lab上的完整YOLO模型系列，请选择要部署的目标模型。本教程使用YOLO11-m作为演示模型。

点击所选型号旁边的“详情”按钮，即可打开专属型号页面，该页面分为三个主要部分：

1. 快速部署与一键推理启动脚本

2. 完整的设置文档，包括 Docker 安装步骤、独立镜像拉取命令以及完整的部署/推理工作流

3. 推理API参考：多种调用方法、响应格式定义及补充技术细节

我们将使用第①节中的快速启动流程来实现模型的快速部署和后端启动。请复制并执行以下命令：

此命令用于配置 Docker 运行时的关键参数：

•--rm：关闭后自动删除容器

•--privileged：授予完整的硬件访问权限

它可处理完整的YOLO11-m图像下载，并启动本地推理服务器。

压缩后的容器镜像大小范围为1GB至2GB;下载时长取决于您的网络带宽。关键参数说明：

•--device /dev/video1:/dev/video1：将主机摄像头设备映射到容器中以实现摄像头访问。如果连接了多个摄像头，请在冒号前修改设备索引。

•ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolo11:latest：官方预构建容器镜像，包含RK3576运行时环境、YOLO11和RKNN工具包

•python web_detection.py --model_path model/yolo11m.rknn --video video/test.mp4：启动基于网页的对象检测服务，加载预转换的RKNN YOLO11-m模型，并对示例测试视频进行推理。

容器启动后，终端将输出类似以下内容的信息：

运行模型推理

有两种方法可以发送推理请求并获取检测结果：

curl 请求终端

程序化代码调用

如果计划围绕检测流程构建自定义应用程序和辅助逻辑，建议采用此方法。请选择最符合您项目需求的调用方式。

示例 API 响应格式：

定制与修改指南

切换预转换的YOLO11模型

容器内预装了多个YOLO11变体，可直接切换使用：

模型性能对比表：

将检测限制在COCO 80类的子集中

默认情况下，YOLO模型会检测COCO中的全部80个对象类别。您可以通过以下步骤将检测范围限制在特定目标类别，以提高推理速度或过滤掉无关结果：

创建一个名为 class_config.txt 的本地文件，并以以下格式列出目标类别标签：“person”，“bicycle”，“car”，“motorbike”

注意：所有预包装的YOLO模型均使用COCO 80类标签集。

在 Docker 运行命令中添加卷挂载标志 -v，将本地的标签配置文件映射到容器中。在 Python 启动命令后附加 --class_path 参数，以加载自定义过滤器。

完整参考命令：

重要提示：此类过滤器仅隐藏不需要的检测输出。底层神经网络仍基于完整的COCO 80类数据集进行训练。若要检测COCO标签之外的自定义对象，您必须从头开始训练一个自定义的YOLO模型。

部署自定义训练的YOLO模型

检测工业部件、安全帽或明火等特定领域对象，训练自定义的YOLO模型，并将其转换为RKNN格式以实现边缘部署。

端到端工作流程概览：

•数据集准备：使用 LabelImg、CVAT 或其他类似标注工具对目标检测数据集进行标注

•模型训练：使用 Ultralytics YOLO 框架训练自定义检测器

•ONNX导出：将训练完成的模型导出为ONNX格式

•RKNN 转换：使用 RKNN 工具包 2 将 ONNX 权重转换为 RKNN

•容器部署：将 Docker 容器内的默认 rknn 模型文件替换为您的自定义模型

视频流配置

步骤1：识别相机设备索引

在部署前使用此命令列出所有已连接的视频设备：

典型输出：

默认的相机索引约定：

•RK3588：摄像头通常映射到 /dev/video1

•RK3576：摄像头通常映射到 /dev/video0

逐一测试每个索引，如果摄像头未被识别。安装 v4l-utils 以查看详细的摄像头硬件规格：

该服务返回一个叠加了检测边界框的 MJPEG 实时视频流。

流媒体端点：GET /api/video_feed

将嵌入流添加到HTML网页中：

通过 Python OpenCV 消费流：

推理参数调优指南

置信度阈值(obj_thresh / conf)

功能：过滤掉置信度低于设定阈值的检测边界框。

调校参考表：

现实场景示例：

•安全监控：将设置值设为0.3–0.4，以在非工作时间尽量减少误报

•人流量统计：将0.2–0.3设置为避免行人计数不足(统计校正在推断后进行)

•工业级质量检测：设定≥0.5，以消除误检缺陷

NMS IOU 阈值(nms_thresh / iou)

功能：非最大抑制(NMS)用于移除同一目标对象的重复重叠边界框。NMS 保留置信度最高的边界框，并丢弃其他重叠的候选框。

调校参考表：

调整指南：

如果相邻的独立对象被错误地合并为一个检测框，则将NMS阈值降低至0.3–0.4

如果由于部分遮挡或姿态变化导致单个物体出现重复的检测框，则将NMS阈值提高至0.5–0.6

动态全局参数更新示例

单次请求临时阈值绕过

在单独的推理请求中直接传入信任度和IOU参数，以临时覆盖全局配置：

结论

本教程详细记录了在 reComputer AI Lab 上完成 YOLO 对象检测部署的完整端到端工作流程，涵盖以下内容：

•硬件准备与外设连接

•系统设置：SD卡刷机与首次启动配置

•网络配置：有线以太网及远程SSH访问

•Docker 环境安装、权限设置与镜像加速

•完整模型部署流水线：镜像拉取、容器启动、参数说明

•API 参考：推理端点、动态配置 API 和实时视频流

•推理参数调优：置信度阈值、NMS IoU 阈值及基于场景的调优建议

•自定义扩展：切换预建模型、类别筛选以及自定义模型部署

reComputer AI Lab 的核心优势在于其开箱即用的设计。Docker 容器化技术抽象了底层硬件和依赖的复杂性，使开发者能够完全专注于应用程序的业务逻辑。

本文编译自hackster.io