YOLOv10

YOLOv10 on reComputer R Series (CM5 + Hailo-10H)

YOLOv10n / YOLOv10s / YOLOv10b / YOLOv10x effectuent la détection d'objets COCO (80 classes) sur Hailo-10H via HailoRT. Le HEF compilé exécute le NMS sur puce (HPP) avec la tête one2one : l'hôte analyse le résultat post-NMS sans jamais décoder les boîtes ni lancer le NMS lui-même.

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

Matériel et configuration de l'hôte

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

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 version HailoRT attendue pour ces images est 5.1.1.

Exécution avec la vidéo de démonstration

YOLOv10n:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10n \
  --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/yolov10n:latest \
  python web_detection.py --model_path model/yolov10n.hef --video_path video/test.mp4

YOLOv10s:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10s \
  --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/yolov10s:latest \
  python web_detection.py --model_path model/yolov10s.hef --video_path video/test.mp4

YOLOv10b:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10b \
  --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/yolov10b:latest \
  python web_detection.py --model_path model/yolov10b.hef --video_path video/test.mp4

YOLOv10x:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10x \
  --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/yolov10x:latest \
  python web_detection.py --model_path model/yolov10x.hef --video_path video/test.mp4

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

Mode caméra USB

sudo docker run --rm \
  --name cm5-hailo10h-yolov10n \
  --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/yolov10n:latest \
  python web_detection.py --model_path model/yolov10n.hef --camera_id 0

Remplacez yolov10n par yolov10s, yolov10b ou yolov10x pour une autre variante.

Fichiers HEF

Les quatre variantes sont des builds Hailo-10H de Hailo Model Zoo v5.4.0 issus de la même famille THU-MIG YOLOv10.

Source: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v5.4.0/hailo10h/yolov10n.hef (yolov10s.hef, yolov10b.hef, yolov10x.hef in the same directory).

REST API

POST http://<Board_IP>:8000/api/models/yolov10n/predict

curl -X POST "http://<Board_IP>:8000/api/models/yolov10n/predict" \
  -F "file=@test.jpg"

Notes d'implémentation

• Le Model Zoo base/yolov10.yaml utilise hpp=true et device_pre_post_layers.nms=true avec meta_arch=yolov8, applique le sigmoid sur les trois convolutions de classes one2one et documente info.output_shape: 80x5x100 (80 classes, au plus 100 boîtes par classe).
• Les nœuds de l'analyseur sont la tête one2one (/model.23/one2one_cv2.{0,1,2}/Conv pour la boîte, /model.23/one2one_cv3.{0,1,2}/Conv pour la classe) : une prédiction par cellule de grille, sans ancres. Rien n'est décodé et aucun NMS n'est exécuté sur l'hôte.
• HailoRT 5.1.1 renvoie le tampon NMS-by-class brut sous forme de tableau FLOAT32 1-D plat en disposition compacte : par classe un compteur de détections à valeur entière suivi d'exactement autant de lignes [ymin, xmin, ymax, xmax, score], normalisées sur [0, 1]. L'analyseur s'arrête au premier en-tête de classe invraisemblable, donc la queue de remplissage du pire cas n'est pas lue comme des données ; les dispositions ragged NMS-by-score et denses (1,C,5,D) / (1,C,D,5) restent également prises en charge.
• Le curseur IOU est sans effet (le NMS est sur puce) ; le curseur de confiance filtre les détections analysées.
• Le HEF intègre normalize_in_net (mean 0 / std 255) et padding_color=114 : l'application applique un letterbox gris (114) et transmet des pixels uint8 RGB bruts — aucune normalisation manuelle.
• Les IDs de classe 0..79 indexent directement la liste COCO standard.
• Les diagnostics de première inférence sont désactivés en production (_OUTPUT_LOGGED = True) ; passez-le à False dans web_detection.py pour afficher le type, la forme, la plage de valeurs et les lignes par classe de la sortie brute lors de la validation d'un nouveau HEF.

Notes de développement

• Modules source : src/hailo10h_yolov10{n,s,b,x}/ dans le dépôt reComputer-Hailo10H-CV
• Conteneurs : ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolov10{n,s,b,x}:latest
• Sur Hailo-8 (démonstration R20), seuls n/b/x sont publiés ; les builds Hailo-10H couvrent les quatre variantes.
• Licence du modèle : AGPL-3.0 (amont THU-MIG/yolov10).