CV / YOLOv6

YOLOv6

reComputer R Series (CM5 + Hailo-10H)

YOLOv6 COCO-objectdetectie op reComputer RK3576/RK3588 (RKNN) en reComputer R Series met Hailo-8 of Hailo-10H.

98 downloads

Precisie

RKNN / Hailo HEF

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

Platform

Grootte

Inferentie-engine

Aan de slag

Implementeren

sudo docker run --rm \
  --name cm5-hailo10h-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.hef --video_path video/test.mp4

REST API

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

Curl

curl http://localhost:8080/v1/chat/completions -d '{
  "model": "yolov6",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "yolov6", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Modeldetails

reComputer R Series (CM5 + Hailo-10H)

YOLOv6n on reComputer R Series (CM5 + Hailo-10H)

YOLOv6n voert COCO-objectdetectie (80 klassen) uit op Hailo-10H via HailoRT. De gecompileerde HEF levert ofwel het on-chip HPP-NMS-resultaat ofwel de negen ruwe split-heads; de applicatie ondersteunt beide en logt welke indeling de HEF gaf.

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

Hardware en hostinstellingen

Onderdeel	Waarde
Board	reComputer R Series met Raspberry Pi CM5
Versneller	Hailo-10H via PCIe, beschikbaar als `/dev/hailo0`
Runtime	HailoRT 5.1.1
Python in de container	3.13, aarch64

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

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

De verwachte HailoRT-versie voor deze image is 5.1.1.

Uitvoeren met de demo-video

bash

sudo docker run --rm \
  --name cm5-hailo10h-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.hef --video_path video/test.mp4

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

USB-cameramodus

bash

sudo docker run --rm \
  --name cm5-hailo10h-yolov6n \
  --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/yolov6n:latest \
  python web_detection.py --model_path model/yolov6n.hef --camera_id 0

HEF-bestand

HEF	Grootte	Opmerkingen
`yolov6n.hef`	3,862,528 (3.7 MB)	De HEF komt uit de v5.4.0-build van de Hailo Model Zoo voor Hailo-10H; parameters 4.32M, bewerkingen 11.12G.

Source: https://hailo-model-zoo.s3.eu-west-2.amazonaws.com/ModelZoo/Compiled/v5.4.0/hailo10h/yolov6n.hef.

REST API

text

POST http://<Board_IP>:8000/api/models/yolov6n/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolov6n/predict" \
  -F "file=@test.jpg"

Endpoint	Methode	Doel
`/`	GET	Webvoorbeeld-interface
`/api/models/yolov6n/predict`	POST	Detecties (JSON)
`/api/video_feed`	GET	MJPEG-previewstream

Implementatienotities

De Model Zoo base/yolov6.yaml gebruikt hpp=true, meta_arch=yolo_v6, score_threshold=0.03 en nms_iou_thresh=0.65; info.output_shape documenteert de negen ruwe split-heads (4 box, 1 objectness, 80 klassen per stride 32/16/8).
De module ondersteunt beide compile-indelingen: heeft de HEF de NMS al uitgevoerd (HPP), dan parseert hij de post-NMS-tensor (compacte buffer per klasse, dichte vormen Cx5xD / CxDx5, ragged NMS-by-score-lijst); geeft de HEF de ruwe split-heads, dan decodeert hij de afstanden rond het celcentrum (stride-eenheden), vermenigvuldigt sigmoid(klassen) met sigmoid(objectness) en voert een NMS per klasse uit met de IOU-schuifwaarde.
[YOLOv6n] layout=... wordt eenmalig gelogd bij de eerste inferentie om de indeling op de hardware te bevestigen.
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.
Klasse-ID's 0..79 indexeren direct de standaard COCO-lijst (de Model Zoo-evaluatie gebruikt labels_offset=1).
Standaardwaarden: confidence 0.25; bij on-chip NMS heeft de IOU-schuif geen effect, bij de ruwe heads stuurt die het host-NMS.

Ontwikkelnotities

Bronmodule: src/hailo10h_yolov6n/ (Hailo-10H) of src/rpi5_hailo8_yolov6n/ (Hailo-8) in de bijbehorende modelrepository
Container: ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolov6n:latest
De Hailo Model Zoo publiceert alleen YOLOv6n; YOLOv6s/m/l hebben geen Hailo HEF.
Modellicentie: GPL-3.0 (upstream meituan/YOLOv6).

Invoer en uitvoer

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