CV / EfficientDet

EfficientDet-Lite2

reComputer R Series (CM5 + Hailo-10H)

reComputer R SeriesとHailo-8 または Hailo-10H上で、EfficientDet-Lite2（オンチップNMS）を使用したCOCO 80クラスの物体検出。

52 ダウンロード

サイズ

14 MB

メモリ

4GB+

精度

Hailo HEF / HailoRT

使用しているデバイスを選択してください。セットアップガイドとドキュメントがそれに応じて更新されます。

プラットフォーム

推論エンジン

はじめる

デプロイ

sudo docker run --rm \
  --name cm5-hailo10h-efficientdet-lite2 \
  --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/efficientdet_lite2:latest \
  python web_detection.py --model_path model/efficientdet_lite2.hef --video_path video/test.mp4

REST API

REST API を使用して推論を実行します。以下のコマンドをコピーしてください。

Curl

curl -X POST "http://<Board_IP>:8000/api/models/efficientdet_lite2/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/efficientdet_lite2/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

モデル詳細

reComputer R Series (CM5 + Hailo-10H)

reComputer R Series（CM5 + Hailo-10H）上の EfficientDet-Lite2

EfficientDet-Lite2 は HailoRT 経由で Hailo-10H 上で COCO 80 クラス物体検出を実行します。NMS と sigmoid はオンチップ（Hailo HPP）で実行され、ホストは post-NMS テンソルを解析するだけです。efficientdet ファミリーの lite2 バリアントです。

本ページは PCIe Hailo-10H アクセラレータを搭載した reComputer R Series（CM5 + Hailo-10H） を対象とします。

モデル情報

項目	値
アーキテクチャ	EfficientDet-Lite2（BiFPN）
タスク	物体検出
入力	448x448x3 RGB（正規化は HEF に内蔵：mean=127、std=128）
出力	オンチップ NMS テンソル、post-NMS 形状 89x5x100
クラス	89 スロット（`labels_offset=1` で COCO カテゴリ ID 1..89、未使用 10 件）
パラメータ数	5.93M
演算量	6.84G
後処理	オンチップ NMS（HPP）+ sigmoid、ホストは post-NMS テンソルを解析
HEF	Hailo Model Zoo v5.4.0、Hailo-10H（9,953,280 bytes）

精度は Hailo Model Zoo の参考値であり、CM5 上で測定したベンチマークではありません。

ハードウェアとホスト設定

項目	値
ボード	reComputer R Series（Raspberry Pi CM5 搭載）
アクセラレータ	PCIe 接続の Hailo-10H（`/dev/hailo0`）
ランタイム	HailoRT 5.1.1
コンテナ内 Python	3.13, aarch64

ホストに Hailo-10H パッケージをインストールし、コンテナ起動前にドライバーとデバイスを確認します：

bash

sudo apt update
sudo apt install hailo-h10-all -y
sudo reboot

# After reboot
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

このイメージに必要な HailoRT バージョンは 5.1.1 です。

同梱デモ映像での実行

bash

sudo docker run --rm \
  --name cm5-hailo10h-efficientdet-lite2 \
  --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/efficientdet_lite2:latest \
  python web_detection.py --model_path model/efficientdet_lite2.hef --video_path video/test.mp4

http://<Board_IP>:8000 を開くと Web プレビューが表示されます。

USB カメラモード

bash

sudo docker run --rm \
  --name cm5-hailo10h-efficientdet-lite2 \
  --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/efficientdet_lite2:latest \
  python web_detection.py --model_path model/efficientdet_lite2.hef --camera_id 0

REST API

text

POST http://<Board_IP>:8000/api/models/efficientdet_lite2/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/efficientdet_lite2/predict" \
  -F "file=@test.jpg"

エンドポイント	メソッド	用途
`/`	GET	Web プレビュー UI
`/api/models/efficientdet_lite2/predict`	POST	検出結果（JSON）
`/api/video_feed`	GET	MJPEG プレビュー配信

実装メモ

HEF は NMS と sigmoid をオンチップで実行します（device_pre_post_layers: nms=true, sigmoid=true、hpp=true）。アプリは post-NMS テンソルを解析するだけで、nms_thresh は API 互換のために受け取るのみです。
post-NMS の各行は [ymin, xmin, ymax, xmax, score] で、448x448 のレターボックス入力に対する [0,1] の値です。アプリがピクセルに拡大し、レターボックス情報で元画像に戻します。
normalize_in_net（mean=127/std=128）と padding_color=127 が HEF 内にあります。アプリはグレー（127）でレターボックスし、uint8 RGB をそのまま入力します。
パーサーは HailoRT の複数の NMS レイアウトに対応します：クラスごとの「件数 + 5 値行」のコンパクト形式、89x5x100 / 89x100x5 の密な形式、ragged（NMS-by-score）リスト。初回推論で型と shape を一度ログ出力します。
クラスマッピング：cls_id（0..88）は COCO カテゴリ ID cls_id+1（labels_offset=1）に対応します。未使用の 10 件は "N/A" として描画されません。
既定値：confidence 0.25、IOU 0.45（IOU は無効 — NMS はオンチップ）。confidence スライダーを下げると検出が増えます。

開発メモ

ソースモジュール：src/hailo10h_efficientdet_lite2/
Dockerfile：docker/hailo10h/efficientdet_lite2.dockerfile
イメージ：ghcr.io/seeed-projects/recomputer-hailo10h-cv/efficientdet_lite2:latest
モジュールは HailoRT 5.1.1 の InferModel API と Hailo-10H 向け HEF を使用します。
ユニットテストはデバイスなしで実行できます：python -m unittest discover -s tests -v。

入力と出力

入力：画像、動画、またはUSBカメラのフレーム。出力：信頼度付きのCOCO 80クラス検出ボックス、および注釈付きMJPEGプレビュー。