YOLO11物体検出システム -- API インターフェース説明

概要

YOLO11幾何形状検出システムは REST API とリアルタイム映像ストリームのインターフェースを提供し、ヘルスチェック、システム監視、パラメータ設定、リアルタイム幾何形状検出映像ストリームに対応しています。すべてのインターフェースは Flask フレームワークをベースとしており、軽量で安定した Web サービスを提供します。

REST API

基本情報

• Base URL: http://localhost:8004
• Content-Type: application/json
• フレームワーク: Flask 2.3+

1. ヘルスチェック

GET /api/health

システムの各コンポーネントの稼働状態を確認します

リクエスト例

GET /api/health

レスポンス例

成功レスポンス (200):{ "status": "healthy", "object_detector": true, "camera_manager": true, "config_loaded": true, "uptime": 3600.5 } システム異常レスポンス (503):{ "status": "unhealthy", "object_detector": false, "camera_manager": true, "config_loaded": true, "uptime": 120.3 }

2. システム統計情報

GET /api/stats

システムの詳細な稼働統計情報を取得します

リクエスト例

GET /api/stats

レスポンス例

{ "start_time": 1703001600.0, "total_requests": 150, "detection_stats": { "total_frames": 5420, "total_detections": 3245, "fps": 28.5, "avg_inference_time": 0.018, "object_count": 3, "objects_detected": 3245 }, "camera_stats": { "fps_actual": 29.2, "total_frames": 5420, "width": 640, "height": 480, "is_opened": true } }

3. システム情報

GET /api/info

システム設定とモデル情報を取得します

リクエスト例

GET /api/info

レスポンス例

{ "app": { "name": "物体検出アプリ", "version": "1.0.0", "environment": "development" }, "model": { "name": "YOLO11", "path": "models/yolo11n_shape_detect_bayese_320x320_nv12_fix_forward.bin", "confidence_threshold": 0.7, "iou_threshold": 0.45 }, "camera": { "device_id": 0, "width": 640, "height": 480, "fps": 30, "is_opened": true }, "settings": { "show_detection_boxes": true, "show_center_point": true, "show_stats": true, "confidence_threshold": 0.7 } }

4. 設定の更新

POST /api/settings

検出パラメータと表示設定を動的に更新します

リクエスト例

POST /api/settings Content-Type: application/json { "confidence_threshold": 0.8, "show_detection_boxes": true, "show_center_point": false, "show_stats": true } リクエストパラメータ:- confidence\_threshold (float, 任意): 信頼度しきい値 (0.0-1.0) - show\_detection\_boxes (boolean, 任意): 検出枠を表示するかどうか - show\_center\_point (boolean, 任意): 中心点を表示するかどうか - show\_stats (boolean, 任意): 統計情報を表示するかどうか

レスポンス例

成功レスポンス (200):{ "status": "success", "updated_settings": { "confidence_threshold": 0.8, "show_detection_boxes": true, "show_center_point": false, "show_stats": true } } パラメータエラーレスポンス (422):{ "detail": [ { "loc": ["body", "confidence_threshold"], "msg": "ensure this value is greater than or equal to 0.0", "type": "value_error.number.not_ge", "ctx": {"limit_value": 0.0} } ] }

5. 設定のリセット

POST /api/settings/reset

すべての設定をデフォルト値にリセットします

リクエスト例

POST /api/settings/reset

レスポンス例

{ "status": "success", "settings": { "show_detection_boxes": true, "show_center_point": true, "show_stats": true, "confidence_threshold": 0.7 } }

リアルタイム映像ストリーム

MJPEG 映像ストリーム

GET /video_feed

リアルタイム幾何形状検出映像ストリームを取得します

インターフェース情報

• **レスポンス形式**: multipart/x-mixed-replace; boundary=frame - **エンコード形式**: MJPEG (Motion JPEG) - **フレームレート**: 設定可能（デフォルト 15fps） - **画質**: 設定可能（デフォルト 80）

リクエスト例

GET /video_feed HTML5 Video への組み込み:/video_feedJavaScript による制御:// 再生開始 const videoElement = document.getElementById('videoStream'); videoElement.src = '/video_feed?' + new Date().getTime(); // 再生停止 videoElement.src = '';

レスポンス形式

Multipart レスポンス形式:--frame Content-Type: image/jpeg [JPEG 画像データ] --frame Content-Type: image/jpeg [JPEG 画像データ] --frame … 映像ストリームの特長:- リアルタイム幾何形状検出結果のオーバーレイ表示 - 複数色の検出枠表示（オレンジ、緑、赤） - 検出枠と中心点の表示を設定可能 - 計測システムの表示（座標軸、距離計測、寸法計測） - パフォーマンス統計情報の表示 - 適応的な画質制御

Web インターフェースサービス

1. メインページ

GET /

Web インターフェースのメインページにアクセスします

リクエスト例

GET / 戻り値: HTML ページ (templates/index.html)

2. 静的リソース

GET /static/

静的リソースファイルにアクセスします

リソースパス

GET /static/css/style.css # スタイルファイル GET /static/js/app.js # JavaScript アプリケーション GET /static/images/ # 画像リソース

エラー処理

HTTP ステータスコード

ステータスコードの説明

• **200**: リクエスト成功 - **404**: リソースが存在しない - **422**: リクエストパラメータの検証に失敗 - **500**: サーバー内部エラー - **503**: サービス利用不可（コンポーネント異常）

エラーレスポンス形式

標準エラー形式

{ "detail": "エラーの説明", "error_code": "ERROR_CODE", "timestamp": "2024-01-01T12:00:00Z" } 主なエラーコード:- CAMERA\_NOT\_AVAILABLE: カメラが利用できない - MODEL\_LOAD\_FAILED: モデルの読み込みに失敗 - INVALID\_PARAMETER: パラメータ値が無効 - SYSTEM\_ERROR: システム内部エラー

検出結果の形式

幾何形状検出結果

検出結果のデータ構造

{ "success": true, "boxes": [ [100, 150, 200, 250], # [x1, y1, x2, y2] [300, 100, 400, 200] ], "class_ids": [0, 1], # 0: orange, 1: green, 2: red "confidences": [0.85, 0.92], "inference_time": 0.018, "object_count": 2, "error": null } フィールドの説明:- boxes: 検出枠の座標リスト [x1, y1, x2, y2] - class\_ids: クラス ID のリスト (0=オレンジ, 1=緑, 2=赤) - confidences: 信頼度のリスト (0.0-1.0) - inference\_time: 推論時間（秒） - object\_count: 検出された物体の数

計測システムの結果

計測結果のデータ構造

{ "coordinate_system": { "enabled": true, "axis_length_percentage": 0.8, "axis_color": [255, 255, 255] }, "distance_measurements": [ { "object1": 0, "object2": 1, "distance_pixels": 150.5, "center1": [150, 200], "center2": [350, 150] } ], "dimension_measurements": [ { "object_id": 0, "width": 100, "height": 100, "area": 10000 } ] }

パフォーマンス監視インターフェース

リアルタイムパフォーマンス指標

FPS 監視

/api/stats インターフェースからリアルタイムの FPS 情報を取得します： { "detection_stats": { "fps": 28.5, // 検出処理の FPS "avg_inference_time": 0.018, // 平均推論時間（秒） "total_frames": 5420, // 総処理フレーム数 "object_count": 3, // 現在検出されている物体数 "objects_detected": 3245 // 検出された物体の総数 }, "camera_stats": { "fps_actual": 29.2, // カメラの実際の FPS "total_frames": 5420 // カメラの総フレーム数 } }

メモリとリソースの監視

システムは主要なリソースの使用状況を自動的に監視します： - **メモリ使用量**: 自動ガベージコレクションとメモリリーク検出 - **CPU 使用率**: 推論および後処理の CPU 使用率 - **温度監視**: ハードウェア温度（RDK-X5 プラットフォーム） - **接続数**: 現在アクティブな HTTP 接続数

使用例

Python クライアントの例

ヘルスチェックと設定

import requests import json base_url = "http://localhost:8004" # 1. ヘルスチェック health_response = requests.get(f"{base_url}/api/health") print("システム状態:", health_response.json()) # 2. システム情報の取得 info_response = requests.get(f"{base_url}/api/info") system_info = info_response.json() print("現在の信頼度しきい値:", system_info['settings']['confidence_threshold']) # 3. 設定の更新 new_settings = { "confidence_threshold": 0.8, "show_detection_boxes": True, "show_center_point": False } settings_response = requests.post( f"{base_url}/api/settings", json=new_settings ) print("設定更新結果:", settings_response.json()) # 4. 統計情報の取得 stats_response = requests.get(f"{base_url}/api/stats") stats = stats_response.json() print(f"現在の FPS: {stats['detection_stats']['fps']}") print(f"検出された物体数: {stats['detection_stats']['object_count']}")

映像ストリーム処理

import requests import cv2 import numpy as np # MJPEG 映像ストリームを読み込む def read_mjpeg_stream(url): """MJPEG 映像ストリームを読み込む""" response = requests.get(url, stream=True) if response.status_code == 200: bytes_data = bytes() for chunk in response.iter_content(chunk_size=1024): bytes_data += chunk # JPEG 画像の境界を検索 a = bytes_data.find(b'\xff\xd8') # JPEG 開始 b = bytes_data.find(b'\xff\xd9') # JPEG 終了 if a != -1 and b != -1: jpg = bytes_data[a:b+2] bytes_data = bytes_data[b+2:] # JPEG 画像をデコード frame = cv2.imdecode( np.frombuffer(jpg, dtype=np.uint8), cv2.IMREAD_COLOR ) if frame is not None: yield frame # 使用例 stream_url = "http://localhost:8004/video_feed" for frame in read_mjpeg_stream(stream_url): # 映像フレームを表示 cv2.imshow('Object Detection Stream', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cv2.destroyAllWindows()

JavaScript フロントエンドの例

Web インターフェースへの組み込み

幾何形状検出システム

/video_feed

信頼度しきい値: 0.7 検出枠を表示 中心点を表示 設定をリセット

FPS: --

物体数: --

推論時間: --ms

cURL コマンドの例

コマンドラインによるインターフェーステスト

パフォーマンスベンチマーク

Horizon RDK-X5 プラットフォーム

ハードウェアアクセラレーション性能

• **推論時間**: 15-25ms - **映像ストリーム FPS**: 25-30 FPS - **メモリ使用量**: ~200MB - **CPU 使用率**: 15-25% - **消費電力**: 3-5W - **検出精度**: mAP@0.5: 90%+

開発環境 CPU モード

CPU シミュレーション性能

• **シミュレーション推論時間**: ~20ms - **映像ストリーム FPS**: 15-20 FPS - **メモリ使用量**: ~150MB - **CPU 使用率**: 10-20% 注意: CPU モードは開発テスト専用であり、実際の推論計算は行いません

API の制限とクォータ

リクエスト制限

同時接続制限

• **映像ストリーム接続**: 最大 5 同時接続 - **API リクエスト頻度**: 毎秒最大 100 リクエスト - **パラメータ更新**: 毎分最大 30 回の設定更新

データ制限

データサイズ制限

• **リクエストボディサイズ**: 最大 1KB - **映像ストリームのフレームサイズ**: 設定した画質パラメータに応じて動的に調整 - **ログファイル**: 自動ローテーション、最大 100MB

検出クラスの説明

対応している幾何形状クラス

クラスの詳細