CV / YOLOX

YOLOX

reComputer R Series (CM5 + Hailo-10H)

reComputer RK3576、RK3588、および Hailo-8 または Hailo-10H 搭載の CM5 で YOLOX の COCO 物体検出を実行します。

207 ダウンロード

サイズ

5.5 MB

メモリ

4GB+

精度

RKNN / Hailo HEF

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

サイズ

推論エンジン

はじめる

デプロイ

sudo docker run --rm \
  --name cm5-hailo10h-yolox-tiny \
  --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/yolox_tiny:latest \
  python web_detection.py --model_path model/yolox_tiny.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 http://localhost:8080/v1/chat/completions -d '{
  "model": "yolox-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolox-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

モデル詳細

reComputer R Series (CM5 + Hailo-10H)

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

Hailo-10H の YOLOX サービスは、オンチップの Hailo HPP NMS による COCO 80 クラスの物体検出を提供します。HEF はデコード済みの検出結果を出力し、FastAPI アプリが画像推論、映像・カメラ入力、MJPEG プレビュー、オフライン映像解析を提供します。

モデル情報

バリアント	入力	同梱 HEF	コンテナイメージ
YOLOX-Tiny	416x416x3 RGB	8,880,128 bytes	`yolox_tiny`
YOLOX-S-Leaky	640x640x3 RGB	14,520,320 bytes	`yolox_s_leaky`
YOLOX-L-Leaky	640x640x3 RGB	48,189,440 bytes	`yolox_l_leaky`

3 つのバリアントはいずれも Hailo Model Zoo v5.4.0 の Hailo-10H HEF を使用します（バイト数は上の表を参照）。

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

ホストのドライバー、ファームウェア、ネイティブ HailoRT ライブラリ、コンテナ内の Python wheel は同じ HailoRT のメジャー/マイナーである必要があります。

bash

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

# 再起動後
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

同梱デモ映像での実行

YOLOX-Tiny

bash

sudo docker run --rm --privileged --net=host \
  --name cm5-hailo10h-yolox-tiny \
  -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/yolox_tiny:latest \
  python web_detection.py --model_path model/yolox_tiny.hef --video_path video/test.mp4

YOLOX-S-Leaky

bash

sudo docker run --rm --privileged --net=host \
  --name cm5-hailo10h-yolox-s-leaky \
  -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/yolox_s_leaky:latest \
  python web_detection.py --model_path model/yolox_s_leaky.hef --video_path video/test.mp4

YOLOX-L-Leaky

bash

sudo docker run --rm --privileged --net=host \
  --name cm5-hailo10h-yolox-l-leaky \
  -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/yolox_l_leaky:latest \
  python web_detection.py --model_path model/yolox_l_leaky.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。

REST API

各バリアントは個別の予測エンドポイントを提供します：

バリアント	エンドポイント
YOLOX-Tiny	`POST /api/models/yolox_tiny/predict`
YOLOX-S-Leaky	`POST /api/models/yolox_s_leaky/predict`
YOLOX-L-Leaky	`POST /api/models/yolox_l_leaky/predict`

bash

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

レスポンスには COCO クラス ID、信頼度、バウンディングボックスが含まれます。

開発メモ

バリアント	ソース	Dockerfile
YOLOX-Tiny	`src/hailo10h_yolox_tiny/`	`docker/hailo10h/yolox_tiny.dockerfile`
YOLOX-S-Leaky	`src/hailo10h_yolox_s_leaky/`	`docker/hailo10h/yolox_s_leaky.dockerfile`
YOLOX-L-Leaky	`src/hailo10h_yolox_l_leaky/`	`docker/hailo10h/yolox_l_leaky.dockerfile`

入力と出力

Input: image, video frame, or camera frame. Output: COCO classes, confidence scores, and boxes.