CV / ViTPose

ViTPose-Small-BN

Estimation de pose 2D d’une personne avec ViTPose-Small-BN sur reComputer R Series avec Hailo-8.

38 téléchargements

Taille

31 MB

Mémoire

4GB+

Précision

Hailo HEF / HailoRT 4.23.x (Hailo-8) / 5.1.1 (Hailo-10H)

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-vitpose-small-bn \
  --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/vit_pose_small_bn:latest \
  python web_detection.py --model_path model/vit_pose_small_bn.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/vit_pose_small_bn/predict" \
  -F "file=@test.jpg"

Python

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

Détails du modèle

reComputer R Series (CM5 + Hailo-8)

ViTPose-Small-BN sur reComputer R Series (CM5 + Hailo-8)

ViTPose-Small-BN est la variante BatchNorm de ViTPose-Small. Elle possède les mêmes E/S (RGB 256x192, heatmap 64x48x17, 17 points COCO), avec une précision légèrement inférieure (AP 72.01 contre 74.16).

Informations sur le modèle

Propriété	Valeur
Architecture	ViT-Small-BN (ViTPose)
Tâche	Single-person pose estimation
Entrée	256x192x3 RGB
Sortie	Heatmap 64x48x17
Paramètres	24.32M
Opérations	17.17G
HEF	Hailo Model Zoo v2.19.0, Hailo-8

Exécution avec la vidéo de démonstration

bash

sudo docker run --rm \
  --name cm5-hailo8-vitpose-small-bn \
  --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/vit_pose_small_bn:latest \
  python web_detection.py --model_path model/vit_pose_small_bn.hef --video_path video/test.mp4

API REST

bash

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

Point d’accès	Méthode	Usage
`/api/models/vit_pose_small_bn/predict`	POST	17 points (JSON)
`/api/video_feed`	GET	Aperçu MJPEG avec squelette

Notes de développement

Module source: src/rpi5_hailo8_vit_pose_small_bn/
Conteneur: ghcr.io/seeed-projects/recomputer-hailo8-cv/vit_pose_small_bn:latest
Famille: vit_pose (vit_pose_small / vit_pose_small_bn)

Entrées et sorties

Entrée : image, vidéo ou image de caméra USB. Sortie : 17 points COCO (x, y, score) avec squelette.