CV / ViTPose

ViTPose-Small-BN

2D-Einzelpersonen-Pose-Schätzung mit ViTPose-Small-BN auf der reComputer R Series mit Hailo-8.

38 Downloads

Größe

31 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-hailo8-vitpose-small-bn \
  --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/vit_pose_small_bn:latest \
  python web_detection.py --model_path model/vit_pose_small_bn.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/vit_pose_small_bn/predict" \
  -F "file=@test.jpg"

Python

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

Modelldetails

reComputer R Series (CM5 + Hailo-8)

ViTPose-Small-BN auf reComputer R Series (CM5 + Hailo-8)

ViTPose-Small-BN ist die BatchNorm-Variante von ViTPose-Small. Sie besitzt dieselbe E/A (256x192 RGB, 64x48x17-Heatmap, 17 COCO-Keypoints), bei etwas geringerer Genauigkeit (AP 72.01 gegenüber 74.16).

Modellinformationen

Eigenschaft	Wert
Architektur	ViT-Small-BN (ViTPose)
Aufgabe	Single-person pose estimation
Eingabe	256x192x3 RGB
Ausgabe	Heatmap 64x48x17
Parameter	24.32M
Operationen	17.17G
HEF	Hailo Model Zoo v2.19.0, Hailo-8

Mit Demovideo ausführen

bash

sudo docker run --rm \
  --name cm5-hailo8-vitpose-small-bn \
  --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/vit_pose_small_bn:latest \
  python web_detection.py --model_path model/vit_pose_small_bn.hef --video_path video/test.mp4

REST-API

bash

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

Endpunkt	Methode	Zweck
`/api/models/vit_pose_small_bn/predict`	POST	17 Keypoints (JSON)
`/api/video_feed`	GET	MJPEG-Vorschau mit Skelett

Entwicklungshinweise

Quellmodul: src/rpi5_hailo8_vit_pose_small_bn/
Container: ghcr.io/seeed-projects/recomputer-hailo8-cv/vit_pose_small_bn:latest
Familie: vit_pose (vit_pose_small / vit_pose_small_bn)

Eingaben und Ausgaben

Eingabe: Bild, Video oder USB-Kamerabild. Ausgabe: 17 COCO-Keypoints (x, y, Score) mit Skelettüberlagerung.