CV / YOLACT

YOLACT-RegNetX-800MF

reComputer R Series (CM5 + Hailo-10H)

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

58 Downloads

Größe

35 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-yolact-800mf \
  --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/yolact_regnetx_800mf:latest \
  python web_detection.py --model_path model/yolact_regnetx_800mf.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_800mf/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/yolact_regnetx_800mf/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Modelldetails

reComputer R Series (CM5 + Hailo-10H)

YOLACT-RegNetX-800MF auf reComputer R Series (CM5 + Hailo-10H)

YOLACT (UC Davis) führt über HailoRT 5.1.1 auf Hailo-10H 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.

Modellinformationen

Eigenschaft	Wert
Architektur	YOLACT (You Only Look At CoefficienTs), RegNetX-800MF 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	28.3M
Operationen	116.75G
HEF	Hailo Model Zoo v5.4.0, Hailo-10H (33.4 MB)

Hardware- und Hosteinrichtung

Eintrag	Wert
Board	reComputer R Series mit Raspberry Pi CM5
Beschleuniger	Hailo-10H über PCIe, verfügbar als `/dev/hailo0`
Hosttreiber	apt-Paket `hailo-h10-all`
Laufzeit	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 Demovideo ausführen

bash

sudo docker run --rm \
  --name cm5-hailo10h-yolact-800mf \
  --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/yolact_regnetx_800mf:latest \
  python web_detection.py --model_path model/yolact_regnetx_800mf.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_800mf/predict"   -F "file=@test.jpg"

Endpunkt	Methode	Zweck
`/api/models/yolact_regnetx_800mf/predict`	POST	Boxen, Konfidenzen, Maskenflächen (JSON)
`/api/video_feed`	GET	MJPEG-Vorschaustream mit Masken

Implementierungshinweise

CPU-Nachverarbeitung (meta_arch=yolact): 49,104 Anchors → SSD-Decodierung → Fast NMS → Maskenzusammensetzung mit sigmoid(proto @ coeffs^T); numpy-Portierung von instance_segmentation_postprocessing.py aus Model Zoo.
Der Executor kapselt die FLOAT32-Mehrfachausgabe von HailoRT 5.1.1 (16 Köpfe); die erste Inferenz gibt den Wertebereich jedes Kopfes gemäß SOP-Abnahmecheckliste aus.
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/hailo10h_yolact_regnetx_800mf/
Dockerfile: docker/hailo10h/yolact_regnetx_800mf.dockerfile
Container: ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolact_regnetx_800mf: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.