CV / EfficientDet

EfficientDet-Lite1

reComputer R Series (CM5 + Hailo-10H)

Detección de objetos de 80 clases de COCO con EfficientDet-Lite1 (NMS en el chip) en reComputer R Series con Hailo-8 o Hailo-10H.

71 descargas

Tamaño

16 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-hailo10h-efficientdet-lite1 \
  --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/efficientdet_lite1:latest \
  python web_detection.py --model_path model/efficientdet_lite1.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/efficientdet_lite1/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/efficientdet_lite1/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Detalles del modelo

reComputer R Series (CM5 + Hailo-10H)

EfficientDet-Lite1 en reComputer R Series (CM5 + Hailo-10H)

EfficientDet-Lite1 realiza detección de objetos COCO de 80 clases en Hailo-10H mediante HailoRT. El NMS y el sigmoid se ejecutan en chip (Hailo HPP), así que el host solo analiza el tensor post-NMS. Es la variante lite1 de la familia efficientdet.

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

Información del modelo

Propiedad	Valor
Arquitectura	EfficientDet-Lite1 (BiFPN)
Tarea	Detección de objetos
Entrada	384x384x3 RGB (normalización compilada en el HEF: mean=127, std=128)
Salida	tensor NMS en chip, forma post-NMS 89x5x100
Clases	89 ranuras (IDs de clase COCO 1..89 con labels_offset=1; 10 sin usar)
Parámetros	4.73M
Operaciones	4G
Postprocesado	NMS en chip (HPP) + sigmoid; el host analiza el tensor post-NMS
HEF	Hailo Model Zoo v5.4.0, Hailo-10H (7,614,464 bytes)

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

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

La versión esperada de HailoRT para esta imagen es 5.1.1.

Ejecución con el vídeo de demostración

bash

sudo docker run --rm \
  --name cm5-hailo10h-efficientdet-lite1 \
  --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/efficientdet_lite1:latest \
  python web_detection.py --model_path model/efficientdet_lite1.hef --video_path video/test.mp4

Abre http://<Board_IP>:8000 para ver la vista previa web.

Modo cámara USB

bash

sudo docker run --rm \
  --name cm5-hailo10h-efficientdet-lite1 \
  --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/efficientdet_lite1:latest \
  python web_detection.py --model_path model/efficientdet_lite1.hef --camera_id 0

REST API

text

POST http://<Board_IP>:8000/api/models/efficientdet_lite1/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/efficientdet_lite1/predict" \
  -F "file=@test.jpg"

Endpoint	Método	Propósito
`/`	GET	Interfaz de vista previa web
`/api/models/efficientdet_lite1/predict`	POST	Detecciones (JSON)
`/api/video_feed`	GET	Stream de vista previa MJPEG

Notas de implementación

El HEF ejecuta NMS y sigmoid en chip (device_pre_post_layers: nms=true, sigmoid=true, hpp=true); la aplicación solo analiza el tensor post-NMS, por lo que nms_thresh se ignora (solo por compatibilidad de API).
Las filas post-NMS son [ymin, xmin, ymax, xmax, score], normalizadas a [0,1] de la entrada con letterbox de 384x384; la aplicación escala a píxeles y deshace el letterbox.
normalize_in_net con mean=127/std=128 y padding_color=127: la aplicación aplica letterbox con gris (127) y envía uint8 RGB sin normalizar.
El analizador admite los formatos de NMS de HailoRT: el búfer compacto por clase, las formas densas 89x5x100 / 89x100x5 y la lista ragged (NMS-by-score). La primera inferencia registra una vez el tipo y la forma.
Mapeo de clases: cls_id (0..88) corresponde al ID de clase COCO cls_id+1 (labels_offset=1); los 10 IDs sin usar aparecen como "N/A" y no se dibujan.
Valores por defecto: confianza 0.25, IOU 0.45 (el IOU no tiene efecto — NMS en chip). Baja el deslizador de confianza para ver más detecciones.

Notas de desarrollo

Módulo fuente: src/hailo10h_efficientdet_lite1/
Dockerfile: docker/hailo10h/efficientdet_lite1.dockerfile
Contenedor: ghcr.io/seeed-projects/recomputer-hailo10h-cv/efficientdet_lite1:latest
El módulo usa la API InferModel de HailoRT 5.1.1 y un HEF específico para Hailo-10H.
Las pruebas unitarias se ejecutan sin dispositivo: python -m unittest discover -s tests -v.

Entradas y salidas

Entrada: imagen, vídeo o fotograma de una cámara USB. Salida: cuadros de detección de 80 clases de COCO con niveles de confianza, además de una vista previa MJPEG con anotaciones.