CV / YOLACT

YOLACT-RegNetX-1.6GF

reComputer R Series (CM5 + Hailo-8)

Instanzsegmentierung in Echtzeit (80 COCO-Klassen, Masken und Begrenzungsrahmen) auf reComputer R Series mit Hailo-8 oder Hailo-10H.

57 Downloads

Größe

36 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-hailo8-yolact-1-6gf \
  --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/yolact_regnetx_1_6gf:latest \
  python web_detection.py --model_path model/yolact_regnetx_1_6gf.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/yolact_regnetx_1_6gf/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/yolact_regnetx_1_6gf/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Modelldetails

reComputer R Series (CM5 + Hailo-8)

YOLACT-RegNetX-1.6GF auf reComputer R Series (CM5 + Hailo-8)

YOLACT (UC Davis) führt über HailoRT auf Hailo-8 Instanzsegmentierung in Echtzeit aus: objektbezogene Masken auf Boxen der 80 COCO-Klassen. Das HEF stellt 16 rohe Ausgabeköpfe bereit; die gesamte Decodierung läuft auf der Host-CPU. Die 1.6GF-Variante ist das größere, genauere Mitglied der yolact-Familie.

Modellinformationen

Eigenschaft	Wert
Architektur	YOLACT (You Only Look At CoefficienTs), RegNetX-1.6GF Backbone
Aufgabe	Instanzsegmentierung
Eingabe	512x512x3 RGB (normalize_in_net ImageNet RGB mean/std)
Ausgabe	16 Köpfe: proto (128x128x32) + 5 Skalen x {bbox, mask coeffs, conf}
Prior-Anchors	49,104 Anchors (9/Zelle, Feature-Maps 64/32/16/8/4)
Klassen	80 (COCO)
Parameter	30.09M
Operationen	125.34G
mAP (COCO, volle Präzision)	27.6% Hardware-Referenz
HEF	Hailo Model Zoo v2.19.0, Hailo-8

Der obige Genauigkeitswert ist eine Referenz aus Hailo Model Zoo, kein auf CM5 gemessener Benchmark.

Mit Demovideo ausführen

bash

sudo docker run --rm \
  --name cm5-hailo8-yolact-1-6gf \
  --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/yolact_regnetx_1_6gf:latest \
  python web_detection.py --model_path model/yolact_regnetx_1_6gf.hef --video_path video/test.mp4

Öffnen Sie http://<Board_IP>:8000 für die Webvorschau (farbige Instanzmasken über dem MJPEG-Stream).

REST-API

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolact_regnetx_1_6gf/predict" \
  -F "file=@test.jpg"

Endpunkt	Methode	Zweck
`/`	GET	Webvorschau-Oberfläche
`/api/models/yolact_regnetx_1_6gf/predict`	POST	Boxen, Konfidenzen, Maskenflächen (JSON)
`/api/video_feed`	GET	MJPEG-Vorschaustream mit Masken
`/api/config`	GET / POST	Konfidenz-/NMS-IOU-Schwellen

Implementierungshinweise

CPU-Nachverarbeitung (meta_arch=yolact): kein NMS auf dem Chip. Die Detect-Pipeline (49,104 Anchors → SSD-Decodierung → Argmax je Instanz → Fast NMS, top-200/Klasse, höchstens 100 Erkennungen) ist eine numpy-Portierung von instance_segmentation_postprocessing.py aus Model Zoo.
Kandidatenmasken: sigmoid(proto @ coeffs^T) wird auf jede Erkennungsbox zugeschnitten und mit mask_thresh=0.5 (YAML mask_threshold) visualisiert.
normalize_in_net verwendet ImageNet RGB; die Anwendung liefert rohe uint8-RGB-Daten.
Vorverarbeitung: einfache bilineare Skalierung auf 512x512 (kein Letterboxing, keine Auffüllung).

Entwicklungshinweise

Quellmodul: src/rpi5_hailo8_yolact_regnetx_1_6gf/
Dockerfile: docker/hailo8/yolact_regnetx_1_6gf.dockerfile
Container: ghcr.io/seeed-projects/recomputer-hailo8-cv/yolact_regnetx_1_6gf:latest
Familie: YOLACT (Varianten: regnetx_800mf / regnetx_1.6gf)

Eingaben und Ausgaben

Input: image, video, or USB camera frame. Output: COCO 80-class boxes with confidences, per-object mask pixel areas, and an MJPEG preview with colored instance masks.