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.
Elige el dispositivo que estás usando. La guía de configuración y la documentación se actualizarán en consecuencia.
Primeros pasos
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.mp4Detalles 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
| Variante | Entrada | HEF empaquetado | Top-1 float / Hailo-8 | Parámetros / Ops | Contenedor |
|---|---|---|---|---|---|
| ResNet v1-18 | 224×224×3 RGB | 12.5 MB | 71.3 / 71.1 | 11.68M / 3.64G | resnet_v1_18 |
| ResNet v1-34 | 224×224×3 RGB | 15.7 MB | 72.7 / 72.2 | 21.79M / 7.34G | resnet_v1_34 |
| ResNet v1-50 | 224×224×3 RGB | 18.0 MB | 75.2 / 74.7 | 25.53M / 6.98G | resnet_v1_50 |
Hardware y configuración del host
| Elemento | Valor |
|---|---|
| Placa | reComputer R Series con Raspberry Pi CM5 |
| Acelerador | Hailo-8 por PCIe, expuesto como /dev/hailo0 |
| Runtime | HailoRT 4.23.x (el host y el contenedor deben compartir major.minor) |
| Python en el contenedor | 3.11, aarch64 |
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 dockerEjecución con el vídeo de demostración
Selecciona el comando que corresponda a la variante del modelo.
ResNet v1-18
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.mp4ResNet v1-34
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.mp4ResNet v1-50
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.mp4Abre 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
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 0REST API
Cada variante tiene su propio endpoint:
| Variante | Endpoint |
|---|---|
| ResNet v1-18 | POST /api/models/resnet_v1_18/predict |
| ResNet v1-34 | POST /api/models/resnet_v1_34/predict |
| ResNet v1-50 | POST /api/models/resnet_v1_50/predict |
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;
softmaxyargmaxestán 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 elmodel/README.mdde cada módulo - Vídeo de demostración:
https://hailo-csdata.s3.eu-west-2.amazonaws.com/resources/video/example.mp4(dehailo-ai/hailo-apps, MIT)
Entradas y salidas
Entrada: imagen, vídeo o fotograma de cámara USB. Salida: clases ImageNet Top-K y confianza.