YOLOv10

YOLOv10 on reComputer R Series (CM5 + Hailo-10H)

YOLOv10n / YOLOv10s / YOLOv10b / YOLOv10x voeren COCO-objectdetectie (80 klassen) uit op Hailo-10H via HailoRT. De gecompileerde HEF voert NMS on-chip uit (HPP) met de one2one-kop, dus de host parseert alleen het post-NMS-resultaat en hoeft zelf nooit boxes te decoderen of NMS te draaien.

Deze pagina is gericht op reComputer R Series (CM5 + Hailo-10H) met een PCIe Hailo-10H-versneller.

Hardware en hostinstellingen

Installeer de Hailo-10H-pakketten op de host en controleer of stuurprogramma en apparaat gereed zijn voordat u de container start:

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

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

De verwachte HailoRT-versie voor deze images is 5.1.1.

Uitvoeren met de demo-video

YOLOv10n:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10n \
  --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/yolov10n:latest \
  python web_detection.py --model_path model/yolov10n.hef --video_path video/test.mp4

YOLOv10s:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10s \
  --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/yolov10s:latest \
  python web_detection.py --model_path model/yolov10s.hef --video_path video/test.mp4

YOLOv10b:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10b \
  --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/yolov10b:latest \
  python web_detection.py --model_path model/yolov10b.hef --video_path video/test.mp4

YOLOv10x:

sudo docker run --rm \
  --name cm5-hailo10h-yolov10x \
  --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/yolov10x:latest \
  python web_detection.py --model_path model/yolov10x.hef --video_path video/test.mp4

Open http://<Board_IP>:8000 voor de webpreview.

USB-cameramodus

sudo docker run --rm \
  --name cm5-hailo10h-yolov10n \
  --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/yolov10n:latest \
  python web_detection.py --model_path model/yolov10n.hef --camera_id 0

Vervang yolov10n door yolov10s, yolov10b of yolov10x voor een andere variant.

HEF-bestanden

Alle vier varianten zijn Hailo-10H-builds uit Hailo Model Zoo v5.4.0 van dezelfde THU-MIG YOLOv10-familie.

Source: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v5.4.0/hailo10h/yolov10n.hef (yolov10s.hef, yolov10b.hef, yolov10x.hef in the same directory).

REST API

POST http://<Board_IP>:8000/api/models/yolov10n/predict

curl -X POST "http://<Board_IP>:8000/api/models/yolov10n/predict" \
  -F "file=@test.jpg"

Implementatienotities

• De Model Zoo base/yolov10.yaml gebruikt hpp=true en device_pre_post_layers.nms=true met meta_arch=yolov8, past sigmoid toe op de drie one2one-klassenconvoluties en documenteert info.output_shape: 80x5x100 (80 klassen, maximaal 100 boxes per klasse).
• De parsernodes zijn de one2one-kop (/model.23/one2one_cv2.{0,1,2}/Conv voor de box, /model.23/one2one_cv3.{0,1,2}/Conv voor de klasse): één voorspelling per cel, geen ankers. Er wordt niets gedecodeerd en er draait geen NMS op de host.
• HailoRT 5.1.1 retourneert de ruwe NMS-by-class-buffer als een platte 1-D FLOAT32-array in compacte indeling: per klasse eerst een detectieaantal als geheel getal, gevolgd door alleen dat aantal [ymin, xmin, ymax, xmax, score]-rijen, genormaliseerd naar [0, 1]. De parser stopt bij de eerste onwaarschijnlijke klassenkop, zodat de opvulstaart in het slechtste geval niet als data wordt gelezen; ragged NMS-by-score en dichte (1,C,5,D) / (1,C,D,5)-indelingen blijven ook ondersteund.
• De IOU-schuif heeft geen effect (NMS draait on-chip); de confidence-schuif filtert de geparseerde detecties.
• De HEF bevat normalize_in_net (mean 0 / std 255) en padding_color=114: de applicatie letterboxt met grijs (114) en stuurt ruwe uint8 RGB-pixels — geen handmatige normalisatie.
• Klasse-ID's 0..79 indexeren direct de standaard COCO-lijst.
• Diagnostiek voor de eerste inferentie is uitgeschakeld in productie (_OUTPUT_LOGGED = True); zet deze op False in web_detection.py om bij het valideren van een nieuwe HEF het ruwe uitvoertype, de vorm, het waardenbereik en de rijen per klasse te dumpen.

Ontwikkelnotities

• Bronmodules: src/hailo10h_yolov10{n,s,b,x}/ in de reComputer-Hailo10H-CV-repository
• Containers: ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolov10{n,s,b,x}:latest
• Op Hailo-8 (R20-demo) zijn alleen n/b/x gepubliceerd; de Hailo-10H-builds dekken alle vier varianten.
• Modellicentie: AGPL-3.0 (upstream THU-MIG/yolov10).