CV / YOLOv3

YOLOv3

reComputer R Series (CM5 + Hailo-8)

COCO-Erkennung mit YOLOv3 / YOLOv3-416 / YOLOv3-Gluon / YOLOv3-Gluon-416 auf reComputer R Series mit Hailo-8 oder Hailo-10H.

12 Downloads
Größe
54.7 MB
Speicher
4GB+
Präzision
Hailo HEF

Wähle das Gerät, das du verwendest. Die Einrichtungsanleitung und Dokumentation werden entsprechend aktualisiert.

Erste Schritte

Bereitstellen
sudo docker run --rm \
  --name pi5-hailo8-yolov3 \
  --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/yolov3:latest \
  python web_detection.py --model_path model/yolov3.hef --video_path video/test.mp4

Modelldetails

reComputer R Series (CM5 + Hailo-8)

COCO-Erkennung mit YOLOv3 / YOLOv3-416 / YOLOv3-Gluon / YOLOv3-Gluon-416 auf reComputer R Series (CM5 + Hailo-8)

Die vier YOLOv3-Varianten erkennen 80 COCO-Klassen auf Hailo-8 über HailoRT 4.23.x. Jedes HEF liefert drei rohe YOLOv3-Köpfe; der Host führt die vollständige Grid-Dekodierung (Sigmoid + Anchors + NMS) aus und zeichnet die Boxen in der MJPEG-Vorschau. Die Varianten nutzen denselben Webdienst.

Modellinformationen

VarianteEingabeEnthaltenes HEFmAP Float / Hailo-8FPS (Batch 1)Parameter / OperationenContainer
YOLOv3608×608×354.7 MB38.4 / 38.337.868.79M / 158.10Gyolov3
YOLOv3-416416×416×356.6 MB37.7 / 37.647.861.92M / 65.94Gyolov3_416
YOLOv3-Gluon608×608×350.8 MB37.3 / 35.838.168.79M / 140.7Gyolov3_gluon
YOLOv3-Gluon-416416×416×356.2 MB36.3 / 34.349.061.92M / 65.94Gyolov3_gluon_416

Hardware- und Host-Setup

| Board | Beschleuniger | Laufzeit | Python im Container | |---|---| | Board | reComputer R Series mit Raspberry Pi CM5 | | Beschleuniger | Hailo-8 über PCIe, bereitgestellt als /dev/hailo0 | | Laufzeit | HailoRT 4.23.x (Host und Container müssen major.minor teilen) | | Python im Container | 3.11, aarch64 |

bash
sudo apt update
sudo apt install hailo-all -y
sudo reboot

# Nach dem Neustart
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 docker

Mit Demo-Video ausführen

Wählen Sie den Befehl für die gewünschte Modellvariante.

YOLOv3

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3 \
  --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/yolov3:latest \
  python web_detection.py --model_path model/yolov3.hef --video_path video/test.mp4

YOLOv3-416

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3-416 \
  --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/yolov3_416:latest \
  python web_detection.py --model_path model/yolov3_416.hef --video_path video/test.mp4

YOLOv3-Gluon

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3-gluon \
  --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/yolov3_gluon:latest \
  python web_detection.py --model_path model/yolov3_gluon.hef --video_path video/test.mp4

YOLOv3-Gluon-416

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3-gluon-416 \
  --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/yolov3_gluon_416:latest \
  python web_detection.py --model_path model/yolov3_gluon_416.hef --video_path video/test.mp4

Öffnen Sie http://<Board_IP>:8000, um die Erkennungen zu sehen. Die mitgelieferte Datei video/test.mp4 ist der Demo-Clip für die Verifikation.

USB-Kamera-Modus

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3 \
  --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/yolov3:latest \
  python web_detection.py --model_path model/yolov3.hef --camera_id 0

Ersetzen Sie yolov3 durch den Image- und Modellnamen einer anderen Variante, um YOLOv3-416, YOLOv3-Gluon oder YOLOv3-Gluon-416 auszuführen.

REST API

EndpointMethode
YOLOv3POST /api/models/yolov3/predict
YOLOv3-416POST /api/models/yolov3_416/predict
YOLOv3-GluonPOST /api/models/yolov3_gluon/predict
YOLOv3-Gluon-416POST /api/models/yolov3_gluon_416/predict
bash
curl -X POST "http://<Board_IP>:8000/api/models/yolov3/predict" \
  -F "file=@test.jpg"

Die predictions-Einträge enthalten COCO-Klasse, Konfidenz und Box.

Implementierungshinweise

  • Die HEFs liefern drei rohe YOLOv3-Köpfe ohne On-Chip-NMS. Der Host führt Sigmoid, Anchor-Grid-Dekodierung und NMS aus.
  • Die Vorverarbeitung führt Letterbox auf die HEF-Eingabegröße mit Füllung 114 durch und konvertiert BGR nach RGB; die Normalisierung ist im HEF kompiliert.
  • Anchors: stride 32 [[116,90],[156,198],[373,326]], stride 16 [[30,61],[62,45],[59,119]], stride 8 [[10,13],[16,30],[33,23]].
  • Die erste Inferenz protokolliert die Form jedes Kopfes.

Entwicklungshinweise

  • Quellen: src/rpi5_hailo8_yolov3{,_416,_gluon,_gluon_416}/
  • Dockerfiles: docker/hailo8/yolov3{,_416,_gluon,_gluon_416}.dockerfile
  • Container: ghcr.io/seeed-projects/recomputer-hailo8-cv/yolov3{,_416,_gluon,_gluon_416}:latest
  • HEFs: Hailo Model Zoo v2.20.0 (hailo8), sizes and SHA256 in each module's model/README.md

Eingaben und Ausgaben

Eingabe: Bild, Video oder USB-Kameraframe. Ausgabe: COCO-80-Klassen-Boxen, Konfidenz und MJPEG-Vorschau.