CV / Tiny Yolo

Tiny-YOLOv3

reComputer R Series (CM5 + Hailo-10H)

COCO-Objekterkennung mit 80 Klassen mit Tiny-YOLOv3 (YOLOv3-Dekodierung auf der CPU) auf reComputer R Series mit Hailo-8 oder Hailo-10H.

43 Downloads

Größe

8.4 MB

Speicher

4GB+

Präzision

Hailo HEF / HailoRT 4.23.x (Hailo-8) / 5.1.1 (Hailo-10H)

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-tiny-yolov3 \
  --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/tiny_yolov3:latest \
  python web_detection.py --model_path model/tiny_yolov3.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/tiny_yolov3/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/tiny_yolov3/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Modelldetails

reComputer CM5 + Hailo-10H

Tiny-YOLOv3 auf reComputer CM5 + Hailo-10H

Tiny-YOLOv3 führt die Objekterkennung mit 80 COCO-Klassen auf dem Hailo-10H über HailoRT 5.1.1 aus. Das HEF legt 2 rohe YOLO-Köpfe frei (13x13x255, 26x26x255); die Anker-Dekodierung und das NMS laufen auf der Host-CPU.

Modellinformationen

Eigenschaft	Wert
Architektur	Tiny-YOLOv3 (COCO-80)
Aufgabe	Objekterkennung
Eingabe	416x416x3 BGR, seitenverhältniserhaltende Skalierung + Null-Padding (mobilenet_ssd_ar)
Ausgabe	2 Köpfe: 13x13x255 (Stride 32), 26x26x255 (Stride 16)
Parameter	8.85M
Operationen	5.58G
mAP (COCO, volle Genauigkeit)	14.59% (Hardware-Referenzwert)
HEF	Hailo Model Zoo v5.4.0, Hailo-10H (7.1 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-tiny-yolov3 \
  --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/tiny_yolov3:latest \
  python web_detection.py --model_path model/tiny_yolov3.hef --video_path video/test.mp4

Öffnen Sie http://<Board_IP>:8000, um die Web-Vorschau zu sehen.

REST API

bash

curl -X POST "http://<Board_IP>:8000/api/models/tiny_yolov3/predict"   -F "file=@test.jpg"

Implementierungshinweise

Anker/Strides gegen das 10H-YAML von Model Zoo v5.4.0 verifiziert: Stride 32 {[81,82],[135,169],[344,319]}, Stride 16 {[23,27],[37,58],[81,82]}.
Vorverarbeitung: seitenverhältniserhaltende Skalierung + Null-Padding, rohes BGR (die Konfiguration hat kein bgr_to_rgb und die Normalisierung ist 0/255) — NICHT der graue 114 RGB-Letterbox.
Der Executor ist der Multi-Output-FLOAT32-Wrapper von HailoRT 5.1.1; die erste Inferenz druckt den Wertebereich jedes Kopfes gemäß der SOP-AbnahmCheckliste.

Entwicklungshinweise

Quellmodul: src/hailo10h_tiny_yolov3/
Dockerfile: docker/hailo10h/tiny_yolov3.dockerfile
Container: ghcr.io/seeed-projects/recomputer-hailo10h-cv/tiny_yolov3:latest

Eingaben und Ausgaben

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