CV / ResNet
ResNet v1
reComputer R Series (CM5 + Hailo-8)
ImageNet-Klassifikation mit ResNet v1-18/v1-34/v1-50 auf reComputer R Series mit Hailo-8 oder Hailo-10H.
Wähle das Gerät, das du verwendest. Die Einrichtungsanleitung und Dokumentation werden entsprechend aktualisiert.
Erste Schritte
sudo docker run --rm \
--name pi5-hailo8-resnet-v1-18 \
--privileged \
--net=host \
-e PYTHONUNBUFFERED=1 \
--device /dev/hailo0:/dev/hailo0 \
-v /usr/lib/libhailort.so.4.23.0:/usr/lib/libhailort.so.4.23.0:ro \
-v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_18:latest \
python web_detection.py --model_path model/resnet_v1_18.hef --video_path video/test.mp4Modelldetails
reComputer R Series (CM5 + Hailo-8)ResNet v1-18/v1-34/v1-50 ImageNet-Klassifizierung auf reComputer R Series (CM5 + Hailo-8)
ResNet v1-18/v1-34/v1-50 klassifizieren 1000 ImageNet-Klassen auf Hailo-8 über HailoRT 4.23. Jede HEF nimmt ein 224×224-RGB-Bild entgegen und gibt 1000 Scores zurück; der Host wendet Softmax an, glättet die Scores über die Zeit und blendet ein Top-K-Panel in die MJPEG-Vorschau ein. Alle drei Varianten nutzen denselben Webdienst und dasselbe offizielle Hailo-Demovideo.
Modellinformationen
| Variante | Eingabe | Mitgelieferte HEF | Top-1 Float / Hailo-8 | Parameter / Ops | Container |
|---|---|---|---|---|---|
| ResNet v1-18 | 224×224×3 RGB | 12.5 MB | 71.3 / 71.1 | 11.68M / 3.64G | resnet_v1_18 |
| ResNet v1-34 | 224×224×3 RGB | 15.7 MB | 72.7 / 72.2 | 21.79M / 7.34G | resnet_v1_34 |
| ResNet v1-50 | 224×224×3 RGB | 18.0 MB | 75.2 / 74.7 | 25.53M / 6.98G | resnet_v1_50 |
Hardware- und Host-Einrichtung
| Element | Wert |
|---|---|
| Board | reComputer R Series mit Raspberry Pi CM5 |
| Beschleuniger | Hailo-8 über PCIe, verfügbar als /dev/hailo0 |
| Laufzeitumgebung | HailoRT 4.23.x (Host / Container müssen dieselbe Major-/Minor-Version verwenden) |
| Python im Container | 3.11, aarch64 |
sudo apt update
sudo apt install hailo-all -y
sudo reboot
# After reboot
hailortcli fw-control identify
ls /dev/hailo0
# Docker
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh --mirror Aliyun
sudo systemctl enable docker
sudo systemctl start dockerMit Demovideo ausführen
Wählen Sie den Befehl passend zur Modellvariante aus.
ResNet v1-18
sudo docker run --rm \
--name pi5-hailo8-resnet-v1-18 \
--privileged \
--net=host \
-e PYTHONUNBUFFERED=1 \
--device /dev/hailo0:/dev/hailo0 \
-v /usr/lib/libhailort.so.4.23.0:/usr/lib/libhailort.so.4.23.0:ro \
-v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_18:latest \
python web_detection.py --model_path model/resnet_v1_18.hef --video_path video/test.mp4ResNet v1-34
sudo docker run --rm \
--name pi5-hailo8-resnet-v1-34 \
--privileged \
--net=host \
-e PYTHONUNBUFFERED=1 \
--device /dev/hailo0:/dev/hailo0 \
-v /usr/lib/libhailort.so.4.23.0:/usr/lib/libhailort.so.4.23.0:ro \
-v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_34:latest \
python web_detection.py --model_path model/resnet_v1_34.hef --video_path video/test.mp4ResNet v1-50
sudo docker run --rm \
--name pi5-hailo8-resnet-v1-50 \
--privileged \
--net=host \
-e PYTHONUNBUFFERED=1 \
--device /dev/hailo0:/dev/hailo0 \
-v /usr/lib/libhailort.so.4.23.0:/usr/lib/libhailort.so.4.23.0:ro \
-v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_50:latest \
python web_detection.py --model_path model/resnet_v1_50.hef --video_path video/test.mp4Öffnen Sie http://<Board_IP>:8000, um das Top-K-Overlay anzuzeigen. Das mitgelieferte
video/test.mp4 ist Hailos offizieller Klassifizierungs-Democlip (example.mp4, eine
Straßenszene mit Autos und Personen).
USB-Kameramodus
sudo docker run --rm \
--name pi5-hailo8-resnet-v1-18 \
--privileged \
--net=host \
-e PYTHONUNBUFFERED=1 \
--device /dev/hailo0:/dev/hailo0 \
--device /dev/video0:/dev/video0 \
-v /usr/lib/libhailort.so.4.23.0:/usr/lib/libhailort.so.4.23.0:ro \
-v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_18:latest \
python web_detection.py --model_path model/resnet_v1_18.hef --camera_id 0REST API
Jede Variante hat ihren eigenen Endpunkt:
| Variante | Endpunkt |
|---|---|
| ResNet v1-18 | POST /api/models/resnet_v1_18/predict |
| ResNet v1-34 | POST /api/models/resnet_v1_34/predict |
| ResNet v1-50 | POST /api/models/resnet_v1_50/predict |
curl -X POST "http://<Board_IP>:8000/api/models/resnet_v1_18/predict" \
-F "file=@test.jpg" -F "conf=0.30" -F "iou=5"Die Antwort enthält predictions-Einträge mit dem ImageNet-Klassennamen, einem kurzen
Label und der Konfidenz. iou wird als Top-K-Anzahl wiederverwendet, um die
API-Kompatibilität mit den Erkennungsmodulen zu wahren.
Implementierungshinweise
- Jede HEF stellt einen einzelnen 1000-dimensionalen Score-Vektor bereit;
softmaxundargmaxsind bei der Kompilierung deaktiviert, daher führt der Host Softmax und Top-K aus. - Die Vorverarbeitung besteht aus einem einfachen Resize auf 224×224 und BGR→RGB; die ImageNet-Mean/Std-Normalisierung ist in die HEF kompiliert. Letterboxing wird nicht verwendet.
- Die Live-Vorschau glättet den Wahrscheinlichkeitsvektor (0.6 vorheriger Wert + 0.4 aktueller Wert), um das Flackern der Labels zu verhindern, und zeichnet anschließend das Top-K-Panel.
- Die Eingabegröße der HEF wird beim Start ausgelesen (224×224).
Entwicklungshinweise
- Quellen:
src/rpi5_hailo8_resnet_v1_{18,34,50}/ - Dockerfiles:
docker/hailo8/resnet_v1_{18,34,50}.dockerfile - Container:
ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_{18,34,50}:latest - HEFs: Hailo Model Zoo v2.20.0 (
hailo8), Größen und SHA256 in dermodel/README.mddes jeweiligen Moduls dokumentiert - Demovideo:
https://hailo-csdata.s3.eu-west-2.amazonaws.com/resources/video/example.mp4(aushailo-ai/hailo-apps, MIT)
Eingaben und Ausgaben
Eingabe: Bild, Video oder USB-Kameraframe. Ausgabe: Top-K-ImageNet-Klassen und Konfidenz.