CV / ResNet
ResNet v1
reComputer R Series (CM5 + Hailo-8)
Classification ImageNet avec ResNet v1-18/v1-34/v1-50 sur reComputer série R avec Hailo-8 ou Hailo-10H.
Choisissez l'appareil que vous utilisez. Le guide de configuration et la documentation seront mis à jour en conséquence.
Pour commencer
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.mp4Détails du modèle
reComputer R Series (CM5 + Hailo-8)Classification ImageNet ResNet v1-18/v1-34/v1-50 sur reComputer R Series (CM5 + Hailo-8)
ResNet v1-18/v1-34/v1-50 classifient 1000 classes ImageNet sur Hailo-8 via HailoRT 4.23. Chaque HEF prend en entrée une image RGB 224×224 et renvoie 1000 scores ; l'hôte applique softmax, lisse les scores dans le temps et superpose un panneau Top-K sur l'aperçu MJPEG. Les trois variantes partagent le même service web et la même vidéo de démonstration officielle Hailo.
Informations du modèle
| Variante | Entrée | HEF empaqueté | Top-1 float / Hailo-8 | Paramètres / Opérations | Conteneur |
|---|---|---|---|---|---|
| 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 |
Matériel et configuration de l'hôte
| Élément | Valeur |
|---|---|
| Carte | reComputer R Series avec Raspberry Pi CM5 |
| Accélérateur | Hailo-8 via PCIe, exposé sous /dev/hailo0 |
| Runtime | HailoRT 4.23.x (l'hôte et le conteneur doivent partager major.minor) |
| Python dans le conteneur | 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 dockerExécution avec la vidéo de démonstration
Sélectionnez la commande correspondant à la variante du modèle.
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.mp4Ouvrez http://<Board_IP>:8000 pour afficher la superposition Top-K. La vidéo
video/test.mp4 fournie est le clip de démonstration officiel du classifieur Hailo
(example.mp4, une scène de rue avec des voitures et des personnes).
Mode caméra 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 0API REST
Chaque variante dispose de son propre point d'accès :
| Variante | Point d'accès |
|---|---|
| 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"Renvoie des entrées predictions contenant le nom de classe ImageNet, un libellé
court et la confiance. iou est réutilisé comme nombre de Top-K pour assurer la
parité d'API avec les modules de détection.
Notes d'implémentation
- Chaque HEF expose un unique vecteur de scores à 1000 dimensions ;
softmaxetargmaxsont désactivés à la compilation, l'hôte exécute donc softmax et le Top-K. - Le prétraitement est un simple redimensionnement vers 224×224 suivi d'une conversion BGR→RGB ; la normalisation moyenne/écart-type ImageNet est compilée dans le HEF. Aucun letterbox n'est utilisé.
- L'aperçu en direct lisse le vecteur de probabilités (0.6 précédent + 0.4 courant) pour éviter le scintillement des libellés, puis dessine le panneau Top-K.
- La taille d'entrée du HEF est lue au démarrage (224×224).
Notes de développement
- Sources :
src/rpi5_hailo8_resnet_v1_{18,34,50}/ - Dockerfiles :
docker/hailo8/resnet_v1_{18,34,50}.dockerfile - Conteneurs :
ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_{18,34,50}:latest - HEF : Hailo Model Zoo v2.20.0 (
hailo8), tailles et SHA256 consignés dans lemodel/README.mdde chaque module - Vidéo de démonstration :
https://hailo-csdata.s3.eu-west-2.amazonaws.com/resources/video/example.mp4(issue dehailo-ai/hailo-apps, MIT)
Entrées et sorties
Entrée : image, vidéo ou flux caméra USB. Sortie : classes ImageNet Top-K et confiance.