CV / YOLOv8

YOLOv8s_pose

YOLOv8s Pose estime les points clés de personne sur la plateforme reComputer série R CM5 + Hailo.

Taille

10.10 MB

Mémoire

4GB+

Précision

Hailo HEF / HailoRT 4.23.x

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-hailo-yolov8s-pose \
  --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-r20-cv/yolov8_pose:latest \
  python web_detection.py --model_path model/yolov8s_pose.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://<R20_IP>:8000/api/models/yolov8_pose/predict" \
  -F "file=@test.jpg"

Python

import requests

resp = requests.post(
    "http://<R20_IP>:8000/api/models/yolov8_pose/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(resp.json())

Détails du modèle

YOLOv8 Pose sur reComputer série R (CM5 + Hailo)

Estimation de points clés de personne YOLOv8 Pose packagée pour reComputer série R avec Hailo-8.

Cette page est adaptée de rpi5_hailo8_yolov8_pose/README.md dans reComputer-R20-CV. Elle cible reComputer série R (CM5 + Hailo) avec un accélérateur PCIe Hailo-8.

Configuration matérielle et hôte

Élément	Valeur
Carte	reComputer série R avec Raspberry Pi CM5
Accélérateur	Hailo-8 M.2 sur PCIe, exposé comme `/dev/hailo0`
OS	Raspberry Pi OS Bookworm, aarch64
Pilote hôte	Paquet apt `hailo-all`
HailoRT validé	4.23.x ; le pilote hôte, le firmware, la bibliothèque native et le wheel Python doivent partager la même version majeure.mineure

bash

sudo apt update
sudo apt install hailo-all
sudo reboot

# Après redémarrage
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 docker

Exécuter avec une vidéo de démonstration

bash

sudo docker run --rm --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-r20-cv/yolov8_pose:latest \
  python web_detection.py --model_path model/yolov8s_pose.hef --video_path video/test.mp4

Ouvrez http://<R20_IP>:8000 pour visualiser l'aperçu web. L'image inclut le code source du module, la vidéo de démonstration, le wheel Python HailoRT et les fichiers HEF listés ci-dessous.

Les montages bind libhailort.so proviennent intentionnellement de l'hôte. Si votre firmware n'est pas 4.23.0, remplacez les deux chemins par la version rapportée par hailortcli fw-control identify ; reconstruisez l'image si la version majeure.mineure diffère.

Mode caméra USB

bash

sudo docker run --rm --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-r20-cv/yolov8_pose:latest \
  python web_detection.py --model_path model/yolov8s_pose.hef --camera_id 0

Changer de variante HEF

Remplacez la valeur par défaut de l'image en passant un --model_path différent :

bash

sudo docker run --rm --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-r20-cv/yolov8_pose:latest \
  python web_detection.py --model_path model/yolov8m_pose.hef --video_path video/test.mp4

Fichiers HEF

HEF	Taille	Notes
`yolov8s_pose.hef`	9.22 Mo	Détecteur de pose small
`yolov8m_pose.hef`	28.81 Mo	Détecteur de pose medium

API REST

Point de terminaison de prédiction :

text

POST http://<R20_IP>:8000/api/models/yolov8_pose/predict

Exemple de requête image :

bash

curl -X POST "http://<R20_IP>:8000/api/models/yolov8_pose/predict" \
  -F "file=@test.jpg"

Points de terminaison courants du service :

Point de terminaison	Méthode	Objectif
`/`	GET	Interface d'aperçu web
`/api/models/yolov8_pose/predict`	POST	Inférence image unique à partir d'une image/vidéo téléchargée ou de la trame actuelle
`/api/video_feed`	GET	Flux d'aperçu MJPEG
`/api/config`	GET / POST	Lire ou mettre à jour les seuils d'exécution
`/api/video/upload`	POST	Télécharger une vidéo pour analyse hors ligne
`/api/video/analyze`	POST	Démarrer l'analyse hors ligne
`/api/video/status`	GET	Interroger la progression de l'analyse
`/api/video/list`	GET	Lister les vidéos téléchargées et traitées
`/api/video/download/{filename}`	GET	Télécharger la sortie traitée

Notes de développement

Module source : src/rpi5_hailo8_yolov8_pose/
Dockerfile : docker/hailo8/yolov8_pose.dockerfile
Service principal : web_detection.py enveloppe l'inférence HailoRT, le post-traitement, l'aperçu MJPEG, la prédiction REST et l'analyse vidéo hors ligne.
Lors du remplacement par un HEF personnalisé, gardez la disposition de sortie compatible avec le code de post-traitement du module ou mettez à jour post_process_hailo().

Entrées et sorties

Entrée : image, vidéo ou flux caméra USB. Sortie : boîtes de personne, confiances, points clés et aperçu MJPEG annoté.