CV / ArcFace

ArcFace MobileFaceNet

reComputer R Series (CM5 + Hailo-10H)

Reconocimiento facial ArcFace (2,04M parámetros, 99,4% LFW) en reComputer R Series con Hailo-8 o Hailo-10H.

58 descargas

Tamaño

3.91 MB

Memoria

4GB+

Precisión

Hailo HEF / HailoRT

Elige el dispositivo que estás usando. La guía de configuración y la documentación se actualizarán en consecuencia.

Plataforma

Motor de inferencia

Primeros pasos

Desplegar

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

API REST

Usa la API REST para ejecutar inferencia. Copia los comandos siguientes.

Curl

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

Python

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

Detalles del modelo

reComputer R Series (CM5 + Hailo-10H)

ArcFace MobileFaceNet en reComputer R Series (CM5 + Hailo-10H)

ArcFace con backbone MobileFaceNet extrae embeddings faciales de 512 dimensiones en Hailo-10H mediante HailoRT. El embedding se usa para verificación e identificación facial; la comparación la realiza el cliente con similitud de coseno.

Esta página está dirigida a reComputer R Series (CM5 + Hailo-10H) con un acelerador PCIe Hailo-10H.

Información del modelo

Propiedad	Valor
Arquitectura	ArcFace con backbone MobileFaceNet
Tarea	Reconocimiento facial (extracción de embeddings)
Entrada	112x112x3 RGB (letterbox, normalización compilada en el HEF)
Salida	Embedding facial de 512 dimensiones
Parámetros	2.04M
Precisión LFW	99.4% (referencia de Hailo Model Zoo)
HEF	Hailo Model Zoo v5.4.0, Hailo-10H

La precisión es la referencia de Hailo Model Zoo; no es un benchmark medido en CM5.

Hardware y configuración del host

Elemento	Valor
Placa	reComputer R Series con Raspberry Pi CM5
Acelerador	Hailo-10H por PCIe, expuesto como `/dev/hailo0`
Runtime	HailoRT 5.1.1
Python en el contenedor	3.13, aarch64

Instala los paquetes de Hailo-10H en el host y confirma que el driver y el dispositivo están listos antes de iniciar el contenedor:

bash

sudo apt update
sudo apt install hailo-h10-all -y
sudo reboot

# Después de reiniciar
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

Ejecución con el vídeo de demostración

bash

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

Abre http://<Board_IP>:8000 para ver la vista previa web. Cada fotograma se anota con la dimensión del embedding y la REST API devuelve el vector completo de 512 dimensiones.

Modo cámara USB

bash

sudo docker run --rm \
  --name cm5-hailo-arcface \
  --privileged \
  --net=host \
  -e PYTHONUNBUFFERED=1 \
  --device /dev/hailo0:/dev/hailo0 \
  --device /dev/video0:/dev/video0 \
  -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/arcface_mobilefacenet:latest \
  python web_detection.py --model_path model/arcface_mobilefacenet.hef --camera_id 0

REST API

text

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

bash

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

json

{
  "success": true,
  "source": "uploaded image",
  "embedding": [0.023, -0.156, 0.089, "..."],
  "dimension": 512,
  "image": { "width": 1280, "height": 720 }
}

Endpoint	Método	Propósito
`/`	GET	Interfaz de vista previa web
`/api/models/arcface_mobilefacenet/predict`	POST	Embedding facial (JSON)
`/api/video_feed`	GET	Stream de vista previa MJPEG
`/api/config`	GET / POST	Leer o cambiar umbrales de ejecución
`/api/video/upload`	POST	Subir un vídeo de origen
`/api/video/analyze`	POST	Iniciar el análisis de vídeo offline
`/api/video/status`	GET	Leer el progreso del análisis
`/api/video/download/{filename}`	GET	Descargar el resultado anotado

La verificación facial no se expone como endpoint independiente: compara dos embeddings devueltos con similitud de coseno en el cliente (normaliza ambos vectores con L2 primero).

Archivos HEF

HEF	Tamaño	Notas
`arcface_mobilefacenet.hef`	2,666,496 bytes	Build para Hailo-10H, Model Zoo v5.4.0

Notas de implementación

El HEF incluye su propia capa de normalización, así que la aplicación aplica letterbox a 112x112, convierte BGR a RGB y envía píxeles uint8 sin normalizar.
El embedding se lee de la salida fc1 cuando el nombre del vstream está disponible; en caso contrario se usa el primer tensor de salida. La primera inferencia registra todos los nombres y shapes de los vstreams.
Los embeddings vacíos o con valores no finitos se rechazan en lugar de devolverse como resultado válido.

Notas de desarrollo

Módulo fuente: src/hailo10h_arcface_mobilefacenet/
Dockerfile: docker/hailo10h/arcface_mobilefacenet.dockerfile
Contenedor: ghcr.io/seeed-projects/recomputer-hailo10h-cv/arcface_mobilefacenet:latest
El módulo usa la API InferModel de HailoRT 5.1.1 y un HEF específico para Hailo-10H.

Entradas y salidas

Entrada: imagen (112x112 RGB). Salida: embedding facial de 512 dimensiones; la comparación se realiza en el cliente.