CV / YOLACT

YOLACT-RegNetX-800MF

reComputer R Series (CM5 + Hailo-8)

Realtime instantiesegmentatie (80 COCO-klassen, maskers en kaders) op reComputer R Series met Hailo-8 of Hailo-10H.

80 downloads

Grootte

35 MB

Geheugen

4GB+

Precisie

Hailo HEF / HailoRT

Kies het apparaat dat je gebruikt. De installatiehandleiding en documentatie worden dienovereenkomstig bijgewerkt.

Platform

Inferentie-engine

Aan de slag

Implementeren

sudo docker run --rm \
  --name cm5-hailo8-yolact-800mf \
  --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/yolact_regnetx_800mf:latest \
  python web_detection.py --model_path model/yolact_regnetx_800mf.hef --video_path video/test.mp4

REST API

Gebruik de REST API om inferentie uit te voeren. Kopieer de onderstaande commando's.

Curl

curl -X POST "http://<Board_IP>:8000/api/models/yolact_regnetx_800mf/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/yolact_regnetx_800mf/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

Modeldetails

reComputer R Series (CM5 + Hailo-8)

YOLACT-RegNetX-800MF op reComputer R Series (CM5 + Hailo-8)

YOLACT (UC Davis) voert realtime instantiesegmentatie uit, met maskers per object op vakken van de 80 COCO-klassen, op Hailo-8 via HailoRT. Het HEF levert 16 ruwe koppen; alle decodering draait op de host-CPU.

Modelinformatie

Eigenschap	Waarde
Architectuur	YOLACT (You Only Look At CoefficienTs), RegNetX-800MF backbone
Taak	Instantiesegmentatie
Invoer	512x512x3 RGB (normalize_in_net ImageNet RGB mean/std)
Uitvoer	16 koppen: proto (128x128x32) + 5 schalen x {bbox, mask coeffs, conf}
Vooraf bepaalde ankers	49,104 ankers (9/cel, kenmerkkaarten 64/32/16/8/4)
Klassen	80 (COCO)
Parameters	28.3M
Bewerkingen	116.75G
mAP (COCO, volledige precisie)	25.6% hardwarereferentie
HEF	Hailo Model Zoo v2.19.0, Hailo-8

De bovenstaande nauwkeurigheid is een referentiewaarde uit Hailo Model Zoo, geen op CM5 gemeten benchmark.

Uitvoeren met demovideo

bash

sudo docker run --rm \
  --name cm5-hailo8-yolact-800mf \
  --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/yolact_regnetx_800mf:latest \
  python web_detection.py --model_path model/yolact_regnetx_800mf.hef --video_path video/test.mp4

Open http://<Board_IP>:8000 voor het webvoorbeeld (gekleurde instantiemaskers over de MJPEG-stream).

REST-API

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolact_regnetx_800mf/predict" \
  -F "file=@test.jpg"

Endpoint	Methode	Doel
`/`	GET	Webvoorbeeldinterface
`/api/models/yolact_regnetx_800mf/predict`	POST	Vakken, betrouwbaarheid, maskeroppervlakken (JSON)
`/api/video_feed`	GET	MJPEG-voorbeeldstream met maskers
`/api/config`	GET / POST	Betrouwbaarheids-/NMS-IOU-drempels

Implementatienotities

CPU-nabewerking (meta_arch=yolact): geen NMS op de chip. De Detect-pipeline (49,104 ankers → SSD-decodering → argmax per instantie → Fast NMS, top-200/klasse, maximaal 100 detecties) is een numpy-port van instance_segmentation_postprocessing.py uit Model Zoo.
Kandidaatmaskers: sigmoid(proto @ coeffs^T) wordt tot elk detectievak bijgesneden en met mask_thresh=0.5 (YAML mask_threshold) weergegeven.
normalize_in_net gebruikt ImageNet RGB; de toepassing levert ruwe uint8-RGB-gegevens.
Voorbewerking: eenvoudig bilineair schalen naar 512x512 (geen letterbox, geen opvulling).

Ontwikkelnotities

Bronmodule: src/rpi5_hailo8_yolact_regnetx_800mf/
Dockerfile: docker/hailo8/yolact_regnetx_800mf.dockerfile
Container: ghcr.io/seeed-projects/recomputer-hailo8-cv/yolact_regnetx_800mf:latest
Familie: YOLACT (varianten: regnetx_800mf / regnetx_1.6gf)

Invoer en uitvoer

Input: image, video, or USB camera frame. Output: COCO 80-class boxes with confidences, per-object mask pixel areas, and an MJPEG preview with colored instance masks.