CV / YOLACT

YOLACT-RegNetX-1.6GF

reComputer R Series (CM5 + Hailo-8)

Segmentación de instancias en tiempo real (80 clases COCO, máscaras y cuadros) en reComputer R Series con Hailo-8 o Hailo-10H.

57 descargas

Tamaño

36 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-hailo8-yolact-1-6gf \
  --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/yolact_regnetx_1_6gf:latest \
  python web_detection.py --model_path model/yolact_regnetx_1_6gf.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/yolact_regnetx_1_6gf/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/yolact_regnetx_1_6gf/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Detalles del modelo

reComputer R Series (CM5 + Hailo-8)

YOLACT-RegNetX-1.6GF en reComputer R Series (CM5 + Hailo-8)

YOLACT (UC Davis) realiza segmentación de instancias en tiempo real, con máscaras por objeto sobre cajas de las 80 clases COCO, en Hailo-8 mediante HailoRT. El HEF expone 16 cabezas sin procesar y toda la decodificación se ejecuta en la CPU del host. La variante 1.6GF es la mayor y más precisa de la familia yolact.

Información del modelo

Propiedad	Valor
Arquitectura	YOLACT (You Only Look At CoefficienTs), red troncal RegNetX-1.6GF
Tarea	Segmentación de instancias
Entrada	512x512x3 RGB (normalize_in_net ImageNet RGB mean/std)
Salida	16 cabezas: proto (128x128x32) + 5 escalas x {bbox, mask coeffs, conf}
Anclas previas	49,104 anclas (9/celda, mapas 64/32/16/8/4)
Clases	80 (COCO)
Parámetros	30.09M
Operaciones	125.34G
mAP (COCO, precisión completa)	27.6% referencia de hardware
HEF	Hailo Model Zoo v2.19.0, Hailo-8

La precisión anterior es un valor de referencia de Hailo Model Zoo, no una medición realizada en CM5.

Ejecutar con vídeo de demostración

bash

sudo docker run --rm \
  --name cm5-hailo8-yolact-1-6gf \
  --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/yolact_regnetx_1_6gf:latest \
  python web_detection.py --model_path model/yolact_regnetx_1_6gf.hef --video_path video/test.mp4

Abra http://<Board_IP>:8000 para ver la vista previa web (máscaras de instancias coloreadas superpuestas al flujo MJPEG).

API REST

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolact_regnetx_1_6gf/predict" \
  -F "file=@test.jpg"

Punto de acceso	Método	Finalidad
`/`	GET	Interfaz de vista previa web
`/api/models/yolact_regnetx_1_6gf/predict`	POST	Cajas, confianzas y áreas de máscaras (JSON)
`/api/video_feed`	GET	Flujo MJPEG con máscaras
`/api/config`	GET / POST	Umbrales de confianza / IOU NMS

Notas de implementación

Posprocesamiento en CPU (meta_arch=yolact): sin NMS en chip. El flujo Detect (49,104 anclas → decodificación SSD → argmax por instancia → Fast NMS, top-200/clase, máximo 100 detecciones) es una adaptación a numpy de instance_segmentation_postprocessing.py de Model Zoo.
Máscaras candidatas: sigmoid(proto @ coeffs^T) se recorta a cada caja de detección y se visualiza con mask_thresh=0.5 (YAML mask_threshold).
normalize_in_net usa ImageNet RGB; la aplicación proporciona RGB uint8 sin procesar.
Preprocesamiento: redimensionado bilineal simple a 512x512 (sin letterbox ni relleno).

Notas de desarrollo

Módulo fuente: src/rpi5_hailo8_yolact_regnetx_1_6gf/
Dockerfile: docker/hailo8/yolact_regnetx_1_6gf.dockerfile
Contenedor: ghcr.io/seeed-projects/recomputer-hailo8-cv/yolact_regnetx_1_6gf:latest
Familia: YOLACT (variantes: regnetx_800mf / regnetx_1.6gf)

Entradas y salidas

Input: image, video, or USB camera frame. Output: COCO 80-class boxes with confidences, per-object mask pixel areas, and an MJPEG preview with colored instance masks.