CV / YOLOv6

YOLOv6

YOLOv6 COCO-Objekterkennung auf reComputer RK3576/RK3588 (RKNN) und reComputer R Series mit Hailo-8 oder Hailo-10H.

11 Downloads

Präzision

RKNN / Hailo HEF

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

Plattform

Größe

Inferenz-Engine

Erste Schritte

Bereitstellen

sudo docker run --rm --privileged --net=host --device /dev/dri/renderD128:/dev/dri/renderD128 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-yolov6:latest \
  python3 web_detection.py --platform rk3576 --model_path model/yolov6n.rknn --video_path video/test.mp4

REST API

Verwende die REST API für die Inferenz. Kopiere die folgenden Befehle.

Curl

curl http://localhost:8080/v1/chat/completions -d '{
  "model": "yolov6",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov6", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Modelldetails

reComputer R Series (CM5 + Hailo-8)

YOLOv6n on reComputer R Series (CM5 + Hailo-8)

YOLOv6n führt COCO-Objekterkennung (80 Klassen) auf Hailo-8 über HailoRT aus. Das kompilierte HEF liefert entweder das On-Chip-HPP-NMS-Ergebnis oder die neun rohen Split-Heads; die Anwendung verarbeitet beide und protokolliert, welches Layout das HEF geliefert hat.

Diese Seite richtet sich an reComputer R Series (CM5 + Hailo-8) mit einem PCIe-Hailo-8-Beschleuniger.

Hardware und Host-Setup

Element	Wert
Board	reComputer R Series mit Raspberry Pi CM5
Beschleuniger	Hailo-8 über PCIe, verfügbar als `/dev/hailo0`
Runtime	HailoRT 4.23.x
Python im Container	3.11, aarch64

Installieren Sie die Hailo-8-Pakete auf dem Host und prüfen Sie Treiber und Gerät, bevor Sie den Container starten:

bash

sudo apt update
sudo apt install hailort hailort-pcie-driver python3-hailort
sudo reboot

# After reboot
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

Die erwartete HailoRT-Version für dieses Image ist 4.23.x.

Ausführung mit dem Demo-Video

bash

sudo docker run --rm \
  --name cm5-hailo8-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.hef --video_path video/test.mp4

Öffnen Sie http://<BOARD_IP>:8000 für die Webvorschau.

USB-Kameramodus

bash

sudo docker run --rm \
  --name cm5-hailo8-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.hef --camera_id 0

HEF-Datei

HEF	Größe	Hinweise
`yolov6n.hef`	5,774,047 (5.5 MB)	Das HEF stammt aus dem v2.19.0-Build des Hailo Model Zoo für Hailo-8; Parameter 4.32M, Operationen 11.12G.

Source: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v2.19.0/hailo8/yolov6n.hef.

REST API

text

POST http://<Board_IP>:8000/api/models/yolov6n/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolov6n/predict" \
  -F "file=@test.jpg"

Endpunkt	Methode	Zweck
`/`	GET	Web-Vorschau-Oberfläche
`/api/models/yolov6n/predict`	POST	Detektionen (JSON)
`/api/video_feed`	GET	MJPEG-Vorschaustream

Implementierungshinweise

Der Model Zoo base/yolov6.yaml nutzt hpp=true, meta_arch=yolo_v6, score_threshold=0.03 und nms_iou_thresh=0.65; info.output_shape dokumentiert die neun rohen Split-Heads (4 Box, 1 Objectness, 80 Klassen je Stride 32/16/8).
Das Modul verarbeitet beide Compile-Layouts: hat das HEF das NMS bereits ausgeführt (HPP), parst es den Post-NMS-Tensor (kompakter Puffer je Klasse, dichte Formen Cx5xD / CxDx5, ragged NMS-by-score-Liste); liefert es die rohen Split-Heads, dekodiert es die Abstände um den Zellmittelpunkt (Stride-Einheiten), multipliziert sigmoid(Klassen) mit sigmoid(Objectness) und führt ein NMS je Klasse mit dem IOU-Reglerwert aus.
[YOLOv6n] layout=... wird bei der ersten Inferenz einmal protokolliert, um das Layout auf der Hardware zu bestätigen.
Das HEF enthält normalize_in_net (mean 0 / std 255) und padding_color=114: die Anwendung letterboxt mit Grau (114) und übergibt rohe uint8-RGB-Pixel.
Klassen-IDs 0..79 indizieren direkt die standardmäßige COCO-Liste (die Model-Zoo-Evaluierung nutzt labels_offset=1).
Standardwerte: Konfidenz 0,25; beim On-Chip-NMS ist der IOU-Regler ohne Wirkung, bei den rohen Heads steuert er das Host-NMS.

Entwicklungshinweise

Quellmodul: src/hailo10h_yolov6n/ (Hailo-10H) oder src/rpi5_hailo8_yolov6n/ (Hailo-8) im passenden Modell-Repository
Container: ghcr.io/seeed-projects/recomputer-hailo8-cv/yolov6n:latest
Der Hailo Model Zoo veröffentlicht nur YOLOv6n; YOLOv6s/m/l haben kein Hailo-HEF.
Modelllizenz: GPL-3.0 (Upstream meituan/YOLOv6).

Eingaben und Ausgaben

Input: image, video frame, or camera frame. Output: COCO classes, confidence scores, and boxes.