CV / SSD

SSD MobileNet V2

reComputer R Series (CM5 + Hailo-8)

Détection d’objets des 80 classes COCO avec SSD MobileNet V2 (NMS sur la puce) sur reComputer R Series avec Hailo-8.

33 téléchargements

Taille

5.6 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-hailo8-ssd-mobilenet-v2 \
  --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/ssd_mobilenet_v2:latest \
  python web_detection.py --model_path model/ssd_mobilenet_v2.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/ssd_mobilenet_v2/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/ssd_mobilenet_v2/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Détails du modèle

SSD MobileNet V2 sur reComputer R Series (CM5 + Hailo-8)

SSD MobileNet V2 est le détecteur TensorFlow SSD classique avec dorsale MobileNet V2. Il détecte les 80 classes COCO sur Hailo-8. Les entrées/sorties sont identiques à V1, mais le modèle est plus léger et légèrement plus précis. La NMS s'exécute sur puce (Hailo HPP, meta_arch=ssd) ; l'hôte analyse uniquement le tenseur après NMS.

Cette page concerne reComputer R Series (CM5 + Hailo-8) équipé d'un accélérateur Hailo-8 PCIe.

Informations du modèle

Propriété	Valeur
Architecture	SSD + MobileNet V2
Tâche	Détection d’objets
Entrée	300x300x3 RGB (normalize_in_net mean=127.5/std=127.5)
Sortie	Tenseur NMS sur puce, forme après NMS 90x8x1
Classes	90 emplacements (ID COCO 1..90 via labels_offset=1 ; 10 inutilisés)
Paramètres	4.46M
Opérations	1.52G
Post-traitement	NMS sur puce (HPP) ; l’hôte analyse le tenseur après NMS
HEF	Hailo Model Zoo v2.19.0, Hailo-8

Configuration du matériel et de l’hôte

Élément	Valeur
Carte	reComputer R Series avec Raspberry Pi CM5
Accélérateur	Hailo-8 via PCIe, exposé sous `/dev/hailo0`
Environnement d’exécution	HailoRT 4.23.x
Python dans le conteneur	3.11, aarch64

bash

sudo apt update
sudo apt install hailort hailort-pcie-driver python3-hailort
sudo reboot
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

Exécution avec la vidéo de démonstration

bash

sudo docker run --rm \
  --name cm5-hailo8-ssd-mobilenet-v2 \
  --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/ssd_mobilenet_v2:latest \
  python web_detection.py --model_path model/ssd_mobilenet_v2.hef --video_path video/test.mp4

Ouvrez http://<Board_IP>:8000 pour afficher l'aperçu web.

Mode caméra USB

bash

sudo docker run --rm \
  --name cm5-hailo8-ssd-mobilenet-v2 \
  --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/ssd_mobilenet_v2:latest \
  python web_detection.py --model_path model/ssd_mobilenet_v2.hef --camera_id 0

API REST

text

POST http://<Board_IP>:8000/api/models/ssd_mobilenet_v2/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/ssd_mobilenet_v2/predict" \
  -F "file=@test.jpg"

Point d’accès	Méthode	Fonction
`/`	GET	Interface d’aperçu web
`/api/models/ssd_mobilenet_v2/predict`	POST	Détections (JSON)
`/api/video_feed`	GET	Flux d’aperçu MJPEG

Notes d’implémentation

Même contrat d'entrées/sorties et même post-traitement que V1 ; seule la dorsale diffère (MobileNet V2 → plus léger, légèrement plus précis).
Le HEF exécute la NMS sur puce ; l'application analyse uniquement le tenseur après NMS (tf_postproc_nms) et ignore donc nms_thresh (compatibilité de l'API uniquement).
normalize_in_net mean=127.5/std=127.5 (normalisation SSD classique) ; l'application fournit des pixels RGB uint8 bruts après letterbox, sans normalisation manuelle.
HailoRT renvoie le vstream NMS sous forme de listes de longueur variable par classe (NMS-by-score) ; l'analyseur gère les formats ragged/object/dense. La première inférence journalise le type et la forme bruts pour vérification sur le matériel.
Correspondance des classes : cls_id (0..89) → ID de catégorie COCO cls_id+1 (labels_offset=1) ; 10 ID COCO inutilisés sont « N/A » et ne sont pas dessinés.
Valeurs par défaut : confiance 0.25, IOU 0.45 (sans effet car la NMS est sur puce). L'évaluation utilise 0.3 / 0.6.

Notes de développement

Module source : src/rpi5_hailo8_ssd_mobilenet_v2/
Dockerfile : docker/hailo8/ssd_mobilenet_v2.dockerfile
Conteneur : ghcr.io/seeed-projects/recomputer-hailo8-cv/ssd_mobilenet_v2:latest
Famille : ssd (variantes ssd_mobilenet_v1 / ssd_mobilenet_v2) ; il s'agit de la compilation V2.

Entrées et sorties

Input: image, video, or USB camera frame. Output: COCO 80-class detection boxes with confidences, plus an annotated MJPEG preview.