YOLOv10

YOLOv10 on reComputer R Series (CM5 + Hailo-10H)

YOLOv10n / YOLOv10s / YOLOv10b / YOLOv10x realizan detección de objetos COCO de 80 clases en Hailo-10H mediante HailoRT. El HEF compilado ejecuta el NMS en chip (HPP) con la cabeza one2one, por lo que el host solo analiza el resultado post-NMS y nunca decodifica cajas ni ejecuta NMS por su cuenta.

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

Hardware y configuración del host

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

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 estas imágenes es 5.1.1.

Ejecución con el vídeo de demostración

YOLOv10n:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10n \
  --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/yolov10n:latest \
  python web_detection.py --model_path model/yolov10n.hef --video_path video/test.mp4

YOLOv10s:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10s \
  --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/yolov10s:latest \
  python web_detection.py --model_path model/yolov10s.hef --video_path video/test.mp4

YOLOv10b:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10b \
  --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/yolov10b:latest \
  python web_detection.py --model_path model/yolov10b.hef --video_path video/test.mp4

YOLOv10x:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10x \
  --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/yolov10x:latest \
  python web_detection.py --model_path model/yolov10x.hef --video_path video/test.mp4

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

Modo cámara USB

sudo docker run --rm \
  --name cm5-hailo10h-yolov10n \
  --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/yolov10n:latest \
  python web_detection.py --model_path model/yolov10n.hef --camera_id 0

Sustituye yolov10n por yolov10s, yolov10b o yolov10x para usar otra variante.

Archivos HEF

Las cuatro variantes son builds para Hailo-10H del Hailo Model Zoo v5.4.0 de la misma familia THU-MIG YOLOv10.

Source: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v5.4.0/hailo10h/yolov10n.hef (yolov10s.hef, yolov10b.hef, yolov10x.hef in the same directory).

REST API

POST http://<Board_IP>:8000/api/models/yolov10n/predict

curl -X POST "http://<Board_IP>:8000/api/models/yolov10n/predict" \
  -F "file=@test.jpg"

Notas de implementación

• El Model Zoo base/yolov10.yaml usa hpp=true y device_pre_post_layers.nms=true con meta_arch=yolov8, aplica sigmoid en las tres convoluciones de clase one2one y documenta info.output_shape: 80x5x100 (80 clases, como máximo 100 cajas por clase).
• Los nodos del analizador son la cabeza one2one (/model.23/one2one_cv2.{0,1,2}/Conv para la caja, /model.23/one2one_cv3.{0,1,2}/Conv para la clase): una predicción por celda de la cuadrícula, sin anclas. No se decodifica nada ni se ejecuta NMS en el host.
• HailoRT 5.1.1 devuelve el búfer NMS-by-class en bruto como un array FLOAT32 plano de 1-D en disposición compacta: por clase, un contador de detecciones con valor entero seguido únicamente de esas filas [ymin, xmin, ymax, xmax, score], normalizadas a [0, 1]. El analizador se detiene en la primera cabecera de clase no plausible, por lo que la cola de relleno del peor caso no se lee como datos; las disposiciones ragged NMS-by-score y las densas (1,C,5,D) / (1,C,D,5) siguen admitiéndose.
• El deslizador de IOU no tiene efecto (el NMS está en chip); el deslizador de confianza filtra las detecciones analizadas.
• El HEF incorpora normalize_in_net (mean 0 / std 255) y padding_color=114: la aplicación aplica letterbox con gris (114) y envía uint8 RGB sin normalizar.
• Los IDs de clase 0..79 indexan directamente la lista estándar de COCO.
• Los diagnósticos de la primera inferencia están desactivados en producción (_OUTPUT_LOGGED = True); ponlo en False en web_detection.py para volcar el tipo, la forma, el rango de valores y las filas por clase de la salida en bruto al validar un HEF nuevo.

Notas de desarrollo

• Módulos fuente: src/hailo10h_yolov10{n,s,b,x}/ en el repositorio reComputer-Hailo10H-CV
• Contenedores: ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolov10{n,s,b,x}:latest
• En Hailo-8 (demo R20) solo se publican n/b/x; las builds para Hailo-10H cubren las cuatro variantes.
• Licencia del modelo: AGPL-3.0 (upstream THU-MIG/yolov10).