CV / NanoDet

NanoDet-RepVGG-a12

reComputer R Series (CM5 + Hailo-10H)

COCO-Objekterkennung mit 80 Klassen mit nanodet_repvgg_a12 (YOLOX-basiert, On-Chip-NMS) auf reComputer R Series mit Hailo-8 oder Hailo-10H.

22 Downloads

Größe

7.5 MB

Speicher

4GB+

Präzision

Hailo HEF / HailoRT

Wähle das Gerät, das du verwendest. Die Einrichtungsanleitung und Dokumentation werden entsprechend aktualisiert.

Plattform

Inferenz-Engine

Erste Schritte

Bereitstellen

sudo docker run --rm \
  --name cm5-hailo10h-nanodet-repvgg-a12 \
  --privileged \
  --net=host \
  -e PYTHONUNBUFFERED=1 \
  --device /dev/hailo0:/dev/hailo0 \
  -v /usr/lib/libhailort.so.5.1.1:/usr/lib/libhailort.so.5.1.1:ro \
  -v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
  ghcr.io/seeed-projects/recomputer-hailo10h-cv/nanodet_repvgg_a12:latest \
  python web_detection.py --model_path model/nanodet_repvgg_a12.hef --video_path video/test.mp4

REST API

Verwende die REST API für die Inferenz. Kopiere die folgenden Befehle.

Curl

curl -X POST "http://<Board_IP>:8000/api/models/nanodet_repvgg_a12/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/nanodet_repvgg_a12/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Modelldetails

reComputer R Series (CM5 + Hailo-10H)

NanoDet-RepVGG-a12 auf reComputer CM5 + Hailo-10H

NanoDet-RepVGG-a12 führt die COCO-Objekterkennung mit 80 Klassen auf dem Hailo-10H mit On-Chip-NMS (Hailo HPP) aus. Trotz des Namens „nanodet" basiert diese Variante auf der YOLOX-Architektur (base/yolox.yaml), Eingabe 640x640. Das HEF liefert bereits dekodierte Erkennungen und die App analysiert nur den Post-NMS-Tensor. Portiert aus dem validierten Hailo-8-Modul rpi5_hailo8_nanodet_repvgg_a12; der Executor verwendet den Multi-Output- create_infer_model-Wrapper von HailoRT 5.1.1 mit FLOAT32-Ausgaben.

Modellinformationen

Eigenschaft	Wert
Architektur	YOLOX-basiert (base/yolox.yaml) + RepVGG-A12-Backbone
Aufgabe	Objekterkennung
Eingabe	640x640x3 (Größe beim Start aus dem HEF gelesen)
Ausgabe	On-Chip-NMS-Tensor, Post-NMS-Form 80x5x100
Klassen	80 (COCO, ab 0 indiziert; labels_offset=1 nur Evaluation)
HEF	Hailo Model Zoo v5.4.0, Hailo-10H (4.6 MB)

Hardware- und Host-Setup

Punkt	Wert
Board	reComputer R Series mit Raspberry Pi CM5
Beschleuniger	Hailo-10H über PCIe, als `/dev/hailo0` verfügbar
Host-Treiber	apt-Paket `hailo-h10-all`
Runtime	HailoRT 5.1.1
Python im Container	3.13, aarch64

bash

sudo apt update
sudo apt install hailo-h10-all -y
sudo reboot

# After reboot
hailortcli fw-control identify
ls /dev/hailo0

Mit Demo-Video ausführen

bash

sudo docker run --rm \
  --name cm5-hailo10h-nanodet-repvgg-a12 \
  --privileged \
  --net=host \
  -e PYTHONUNBUFFERED=1 \
  --device /dev/hailo0:/dev/hailo0 \
  -v /usr/lib/libhailort.so.5.1.1:/usr/lib/libhailort.so.5.1.1:ro \
  -v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
  ghcr.io/seeed-projects/recomputer-hailo10h-cv/nanodet_repvgg_a12:latest \
  python web_detection.py --model_path model/nanodet_repvgg_a12.hef --video_path video/test.mp4

Öffnen Sie http://<Board_IP>:8000 für die Web-Vorschau. Für eine USB-Kamera /dev/video0 mounten und --video_path video/test.mp4 durch --camera_id 0 ersetzen.

REST API

bash

curl -X POST "http://<Board_IP>:8000/api/models/nanodet_repvgg_a12/predict" \
  -F "file=@test.jpg"

Endpoint	Methode	Beschreibung
`/health`	GET	Health-Check
`/api/models/nanodet_repvgg_a12/predict`	POST	Erkennungen (JSON)
`/api/video_feed`	GET	MJPEG-Vorschau-Stream

Implementierungshinweise

Das HEF führt NMS on-chip aus; die App analysiert nur den Post-NMS-Tensor, daher wird nms_thresh ignoriert (nur API-Parität).
Post-NMS-Zeilen sind [ymin, xmin, ymax, xmax, score], normalisiert auf [0,1] der Letterbox-Eingabe; die App skaliert auf Pixel und hebt das Letterbox auf.
Normalisierung/Farbkonvertierung ist in das HEF kompiliert; die App macht das Letterbox und liefert rohe uint8-Pixel.
HailoRT kann den NMS-vstream als Ragged-Liste pro Klasse (NMS-by-score) zurückgeben; der Parser unterstützt zusätzlich Object/Dense-Layouts. Die erste Inferenz protokolliert Typ/Form roh zur Verifikation.
Ausgaben werden als FormatType.FLOAT32 angefordert (vom SDK dequantisiert); das Lesen roher quantisierter Puffer ergibt Werte in Zehntausenden und null gültige Erkennungen.
Klassen-Mapping: cls_id (0..79) → Standard-COCO-80-Klassenliste direkt (labels_offset=1 nur Evaluation; falls Labels verschoben aussehen, vom Log der ersten Inferenz neu ableiten).

Modellquelle

nanodet_repvgg_a12.hef ist der Hailo-10H-Build von Hailo Model Zoo v5.4.0 — URL, SHA256 und Größe sind im Repository (src/hailo10h_nanodet_repvgg_a12/model/README.md) verzeichnet.

Eingaben und Ausgaben

Input: image, video, or USB camera frame. Output: COCO 80-class detection boxes with confidences, plus an annotated MJPEG preview.