CV / YOLOv6

YOLOv6

reComputer R Series (CM5 + Hailo-10H)

Detección de objetos COCO YOLOv6 en reComputer RK3576/RK3588 (RKNN) y en reComputer R Series con Hailo-8 o Hailo-10H.

97 descargas

Precisión

RKNN / Hailo HEF

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

Plataforma

Tamaño

Motor de inferencia

Primeros pasos

Desplegar

sudo docker run --rm \
  --name cm5-hailo10h-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.hef --video_path video/test.mp4

API REST

Usa la API REST para ejecutar inferencia. Copia los comandos siguientes.

Curl

curl http://localhost:8080/v1/chat/completions -d '{
  "model": "yolov6",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov6", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Detalles del modelo

reComputer R Series (CM5 + Hailo-10H)

YOLOv6n on reComputer R Series (CM5 + Hailo-10H)

YOLOv6n realiza detección de objetos COCO de 80 clases en Hailo-10H mediante HailoRT. El HEF compilado devuelve el resultado NMS en chip (HPP) o las nueve cabezas divididas en bruto; la aplicación admite ambas y registra la que produjo el HEF.

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

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-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.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-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.hef --camera_id 0

Archivo HEF

HEF	Tamaño	Notas
`yolov6n.hef`	3,862,528 (3.7 MB)	El HEF proviene del build v5.4.0 de Hailo Model Zoo para Hailo-10H; parámetros 4.32M, operaciones 11.12G.

Source: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v5.4.0/hailo10h/yolov6n.hef.

REST API

text

POST http://<Board_IP>:8000/api/models/yolov6n/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolov6n/predict" \
  -F "file=@test.jpg"

Endpoint	Método	Propósito
`/`	GET	Interfaz de vista previa web
`/api/models/yolov6n/predict`	POST	Detecciones (JSON)
`/api/video_feed`	GET	Stream de vista previa MJPEG

Notas de implementación

El Model Zoo base/yolov6.yaml usa hpp=true, meta_arch=yolo_v6, score_threshold=0.03 y nms_iou_thresh=0.65; info.output_shape documenta las nueve cabezas divididas en bruto (4 cajas, 1 objectness, 80 clases por stride 32/16/8).
El módulo admite ambos formatos de compilación: si el HEF ya ejecutó NMS (HPP) analiza el tensor post-NMS (búfer compacto por clase, formas densas Cx5xD / CxDx5, lista ragged NMS-by-score); si el HEF devuelve las cabezas en bruto decodifica las distancias alrededor del centro de la celda (unidades de stride), multiplica sigmoid(clases) por sigmoid(objectness) y ejecuta un NMS por clase con el valor del deslizador de IOU.
[YOLOv6n] layout=... se imprime una vez en la primera inferencia para confirmar el formato en el hardware.
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 (la evaluación del Model Zoo usa labels_offset=1).
Valores por defecto: confianza 0.25; con el formato NMS en chip el deslizador de IOU no tiene efecto, con las cabezas en bruto controla el NMS del host.

Notas de desarrollo

Módulo fuente: src/hailo10h_yolov6n/ (Hailo-10H) o src/rpi5_hailo8_yolov6n/ (Hailo-8) en el repositorio de modelos correspondiente
Contenedor: ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolov6n:latest
El Hailo Model Zoo solo publica YOLOv6n; YOLOv6s/m/l no tienen HEF de Hailo.
Licencia del modelo: GPL-3.0 (upstream meituan/YOLOv6).

Entradas y salidas

Input: image, video frame, or camera frame. Output: COCO classes, confidence scores, and boxes.