CV / ArcFace

ArcFace MobileFaceNet

reComputer R Series (CM5 + Hailo-10H)

Reconnaissance faciale ArcFace (2,04 M paramètres, 99,4 % LFW) sur reComputer R Series avec Hailo-8 ou Hailo-10H.

58 téléchargements

Taille

3.91 MB

Mémoire

4GB+

Précision

Hailo HEF / HailoRT

Choisissez l'appareil que vous utilisez. Le guide de configuration et la documentation seront mis à jour en conséquence.

Plateforme

Moteur d'inférence

Pour commencer

Déployer

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

API REST

Utilisez l'API REST pour exécuter l'inférence. Copiez les commandes ci-dessous.

Curl

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

Python

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

Détails du modèle

reComputer R Series (CM5 + Hailo-10H)

ArcFace MobileFaceNet sur reComputer R Series (CM5 + Hailo-10H)

ArcFace avec un backbone MobileFaceNet extrait des embeddings faciaux de 512 dimensions sur Hailo-10H via HailoRT. L'embedding sert à la vérification et à l'identification des visages ; la comparaison elle-même est faite côté client par similarité cosinus.

Cette page cible reComputer R Series (CM5 + Hailo-10H) avec un accélérateur PCIe Hailo-10H.

Informations du modèle

Propriété	Valeur
Architecture	ArcFace avec backbone MobileFaceNet
Tâche	Reconnaissance faciale (extraction d'embeddings)
Entrée	112x112x3 RGB (letterbox, normalisation compilée dans le HEF)
Sortie	Embedding facial de 512 dimensions
Paramètres	2.04M
Précision LFW	99,4 % (référence Hailo Model Zoo)
HEF	Hailo Model Zoo v5.4.0, Hailo-10H

La précision est la référence Hailo Model Zoo ; ce n'est pas un benchmark mesuré sur CM5.

Matériel et configuration de l'hôte

Élément	Valeur
Carte	reComputer R Series avec Raspberry Pi CM5
Accélérateur	Hailo-10H via PCIe, exposé comme `/dev/hailo0`
Runtime	HailoRT 5.1.1
Python dans le conteneur	3.13, aarch64

Installez les paquets Hailo-10H sur l'hôte et vérifiez que le pilote et le périphérique sont prêts avant de démarrer le conteneur :

bash

sudo apt update
sudo apt install hailo-h10-all -y
sudo reboot

# Après redémarrage
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

Exécution avec la vidéo de démonstration

bash

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

Ouvrez http://<Board_IP>:8000 pour afficher l'aperçu web. Chaque image est annotée avec la dimension de l'embedding et la REST API renvoie le vecteur complet de 512 dimensions.

Mode caméra USB

bash

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

REST API

text

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

bash

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

json

{
  "success": true,
  "source": "uploaded image",
  "embedding": [0.023, -0.156, 0.089, "..."],
  "dimension": 512,
  "image": { "width": 1280, "height": 720 }
}

Endpoint	Méthode	Rôle
`/`	GET	Interface d'aperçu web
`/api/models/arcface_mobilefacenet/predict`	POST	Embedding facial (JSON)
`/api/video_feed`	GET	Flux d'aperçu MJPEG
`/api/config`	GET / POST	Lire ou modifier les seuils d'exécution
`/api/video/upload`	POST	Téléverser une vidéo source
`/api/video/analyze`	POST	Lancer l'analyse vidéo hors ligne
`/api/video/status`	GET	Lire la progression de l'analyse
`/api/video/download/{filename}`	GET	Télécharger le résultat annoté

La vérification faciale n'est pas exposée comme endpoint dédié : comparez deux embeddings renvoyés par similarité cosinus côté client (normalisez d'abord les deux vecteurs en L2).

Fichiers HEF

HEF	Taille	Remarques
`arcface_mobilefacenet.hef`	2,666,496 bytes	Build Hailo-10H, Model Zoo v5.4.0

Notes d'implémentation

Le HEF contient sa propre couche de normalisation : l'application applique un letterbox 112x112, convertit BGR en RGB et transmet les pixels uint8 tels quels.
L'embedding est lu sur la sortie fc1 lorsque le nom du vstream est exposé ; sinon le premier tenseur de sortie est utilisé. La première inférence journalise tous les noms et shapes de vstreams.
Les embeddings vides ou contenant des valeurs non finies sont rejetés au lieu d'être renvoyés comme résultat valide.

Notes de développement

Module source : src/hailo10h_arcface_mobilefacenet/
Dockerfile : docker/hailo10h/arcface_mobilefacenet.dockerfile
Conteneur : ghcr.io/seeed-projects/recomputer-hailo10h-cv/arcface_mobilefacenet:latest
Le module utilise l'API InferModel de HailoRT 5.1.1 et un HEF dédié à Hailo-10H.

Entrées et sorties

Entrée : image (112x112 RGB). Sortie : embedding facial de 512 dimensions ; la comparaison est faite côté client.