CV / ResNet

ResNet v1

reComputer R Series (CM5 + Hailo-8)

Clasificación ImageNet con ResNet v1-18/v1-34/v1-50 en reComputer R Series con Hailo-8 o Hailo-10H.

9 descargas
Tamaño
12.5 MB
Memoria
4GB+
Precisión
Hailo HEF

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

Primeros pasos

Desplegar
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-18 \
  --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/resnet_v1_18:latest \
  python web_detection.py --model_path model/resnet_v1_18.hef --video_path video/test.mp4

Detalles del modelo

reComputer R Series (CM5 + Hailo-8)

Clasificación ImageNet con ResNet v1-18/v1-34/v1-50 en reComputer R Series (CM5 + Hailo-8)

ResNet v1-18/v1-34/v1-50 clasifican 1000 clases de ImageNet en Hailo-8 mediante HailoRT 4.23. Cada HEF recibe un fotograma RGB de 224×224 y devuelve 1000 puntuaciones; el host aplica softmax, suaviza las puntuaciones en el tiempo y superpone un panel Top-K en la vista previa MJPEG. Las tres variantes comparten el mismo servicio web y el vídeo de demostración oficial de Hailo.

Información del modelo

VarianteEntradaHEF empaquetadoTop-1 float / Hailo-8Parámetros / OpsContenedor
ResNet v1-18224×224×3 RGB12.5 MB71.3 / 71.111.68M / 3.64Gresnet_v1_18
ResNet v1-34224×224×3 RGB15.7 MB72.7 / 72.221.79M / 7.34Gresnet_v1_34
ResNet v1-50224×224×3 RGB18.0 MB75.2 / 74.725.53M / 6.98Gresnet_v1_50

Hardware y configuración del host

ElementoValor
PlacareComputer R Series con Raspberry Pi CM5
AceleradorHailo-8 por PCIe, expuesto como /dev/hailo0
RuntimeHailoRT 4.23.x (el host y el contenedor deben compartir major.minor)
Python en el contenedor3.11, aarch64
bash
sudo apt update
sudo apt install hailo-all -y
sudo reboot

# After reboot
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

Ejecución con el vídeo de demostración

Selecciona el comando que corresponda a la variante del modelo.

ResNet v1-18

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-18 \
  --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/resnet_v1_18:latest \
  python web_detection.py --model_path model/resnet_v1_18.hef --video_path video/test.mp4

ResNet v1-34

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-34 \
  --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/resnet_v1_34:latest \
  python web_detection.py --model_path model/resnet_v1_34.hef --video_path video/test.mp4

ResNet v1-50

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-50 \
  --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/resnet_v1_50:latest \
  python web_detection.py --model_path model/resnet_v1_50.hef --video_path video/test.mp4

Abre http://<Board_IP>:8000 para ver la superposición Top-K. El video/test.mp4 incluido es el clip de demostración oficial del clasificador de Hailo (example.mp4, una escena callejera con coches y personas).

Modo cámara USB

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-18 \
  --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/resnet_v1_18:latest \
  python web_detection.py --model_path model/resnet_v1_18.hef --camera_id 0

REST API

Cada variante tiene su propio endpoint:

VarianteEndpoint
ResNet v1-18POST /api/models/resnet_v1_18/predict
ResNet v1-34POST /api/models/resnet_v1_34/predict
ResNet v1-50POST /api/models/resnet_v1_50/predict
bash
curl -X POST "http://<Board_IP>:8000/api/models/resnet_v1_18/predict" \
  -F "file=@test.jpg" -F "conf=0.30" -F "iou=5"

Devuelve entradas predictions con el nombre de la clase ImageNet, una etiqueta corta y la confianza. iou se reutiliza como recuento de Top-K para mantener la paridad de API con los módulos de detección.

Notas de implementación

  • Cada HEF expone un único vector de puntuaciones de 1000 clases; softmax y argmax están desactivados en la compilación, por lo que el host ejecuta softmax y Top-K.
  • El preprocesado se limita a un redimensionado a 224×224 y una conversión BGR→RGB; la normalización mean/std de ImageNet está compilada en el HEF. No se utiliza letterbox.
  • La vista previa en vivo suaviza el vector de probabilidades (0.6 del valor anterior + 0.4 del actual) para evitar el parpadeo de las etiquetas y, después, dibuja el panel Top-K.
  • El tamaño de entrada del HEF se lee al arrancar (224×224).

Notas de desarrollo

  • Fuentes: src/rpi5_hailo8_resnet_v1_{18,34,50}/
  • Dockerfiles: docker/hailo8/resnet_v1_{18,34,50}.dockerfile
  • Contenedores: ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_{18,34,50}:latest
  • HEFs: Hailo Model Zoo v2.20.0 (hailo8); los tamaños y SHA256 se registran en el model/README.md de cada módulo
  • Vídeo de demostración: https://hailo-csdata.s3.eu-west-2.amazonaws.com/resources/video/example.mp4 (de hailo-ai/hailo-apps, MIT)

Entradas y salidas

Entrada: imagen, vídeo o fotograma de cámara USB. Salida: clases ImageNet Top-K y confianza.