YOLOv5-seg sur reComputer R Series (CM5 + Hailo-8)

YOLOv5-seg (segmentation d'instances basée sur des anchors) détecte 80 classes COCO et produit un masque pixel par instance. Le HEF expose trois têtes de détection brutes plus un tenseur de prototypes de masque ; l'application décode les anchors sur le CPU, applique un NMS par classe et assemble les masques à partir des prototypes.

Cette page cible la reComputer R Series (CM5 + Hailo-8) avec un accélérateur Hailo-8 PCIe.

Informations sur le modèle

Variante	Paramètres	mAP matériel	Taille HEF
YOLOv5n-seg	1.99M	22.9	4.7 MB
YOLOv5s-seg	7.61M	30.7	8.7 MB
YOLOv5m-seg	32.60M	36.6	28.1 MB

Propriétés communes :

Propriété	Valeur
Architecture	YOLOv5-seg (3 anchors, strides 8/16/32)
Entrée	640x640x3 RGB (normalize_in_net, mean 0 / std 255)
Sortie	proto (160x160x32) + 3 têtes de détection (351 canaux chacune)
Remplissage letterbox	114 (gris, convention YOLO)
HEF	Hailo Model Zoo v2.19.0, Hailo-8

Les valeurs de précision sont des références Hailo Model Zoo, pas des mesures effectuées sur CM5.

Configuration matérielle et de l'hôte

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

Récupérer l'image

L'image est publiée sur GHCR. Récupérez-la avant de démarrer le conteneur :

bash

sudo docker pull ghcr.io/seeed-projects/recomputer-hailo8-cv/yolov5n_seg:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-hailo8-cv/yolov5s_seg:latest
sudo docker pull ghcr.io/seeed-projects/recomputer-hailo8-cv/yolov5m_seg:latest

Exécuter avec la vidéo de démonstration

YOLOv5n-seg :

bash

sudo docker run --rm \
  --name cm5-hailo8-yolov5n-seg \
  --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/yolov5n_seg:latest \
  python web_detection.py --model_path model/yolov5n_seg.hef --video_path video/test.mp4

YOLOv5s-seg / YOLOv5m-seg utilisent la même commande ; remplacez yolov5n_seg par yolov5s_seg ou yolov5m_seg.

Ouvrez http://<Board_IP>:8000 pour voir l'aperçu web avec les masques d'instance.

Mode caméra USB

Ajoutez --device /dev/video0:/dev/video0 et remplacez --video_path video/test.mp4 par --camera_id 0.

API REST

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolov5n_seg/predict" \
  -F "file=@test.jpg"

Point de terminaison	Méthode	Objectif
`/api/models/yolov5n_seg/predict`	POST	Boîtes + masques d'instance (JSON)
`/api/video_feed`	GET	Flux d'aperçu MJPEG

Détails d'implémentation

Le décodage suit le post-traitement yolov5_seg de Hailo Model Zoo : décodage des anchors (xy = (sigmoid(xy) * 2 + grid - 0.5) * stride, wh = (sigmoid(wh) * 2) ** 2 * anchor_grid) → objectness × score de classe → NMS par classe → sigmoid(coeffs @ proto) redimensionné à l'entrée et recadré sur chaque boîte.
Les trois têtes de détection sont identifiées par leurs 351 canaux et triées par taille spatiale (stride 32 → 16 → 8) ; la tête proto est le tenseur 160x160x32. La première inférence affiche le nom et la forme de chaque vstream pour vérifier la correspondance sur le matériel.
L'exécuteur utilise l'API VStreams de HailoRT 4.23 et un HEF spécifique Hailo-8.
Module source : src/rpi5_hailo8_yolov5n_seg/ (également ..._s_seg/, ..._m_seg/)
Dockerfile : docker/hailo8/yolov5n_seg.dockerfile

YOLOv5-seg

Pour commencer

Détails du modèle

YOLOv5-seg sur reComputer R Series (CM5 + Hailo-8)

Informations sur le modèle

Configuration matérielle et de l'hôte

Récupérer l'image

Exécuter avec la vidéo de démonstration

Mode caméra USB

API REST

Détails d'implémentation