YOLOv8-pose

YOLOv8 Pose op reComputer R Series (CM5 + Hailo-10H)

YOLOv8 Pose schat menselijke keypoints op Hailo-10H via HailoRT. Het model detecteert personen, levert per persoon een box met 17 COCO-keypoints en biedt een browservoorbeeld, een enkelbeeld-API en offline video-analyse.

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

Modelinformatie

De Hailo Model Zoo publiceert voor Hailo-10H de maten s en m. Elke maat heeft een eigen image (yolov8s_pose en yolov8m_pose), zodat het image het model benoemt.

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

# Na herstart
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

Uitvoeren met de demo-video

sudo docker run --rm \
  --name cm5-hailo10h-yolov8s-pose \
  --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/yolov8s_pose:latest \
  python web_detection.py --model_path model/yolov8s_pose.hef --video_path video/test.mp4

Open http://<Board_IP>:8000 voor het voorbeeld: personenboxen met het COCO-skelet eroverheen.

Groter model

sudo docker run --rm \
  --name cm5-hailo10h-yolov8m-pose \
  --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/yolov8m_pose:latest \
  python web_detection.py --model_path model/yolov8m_pose.hef --video_path video/test.mp4

USB-cameramodus

sudo docker run --rm \
  --name cm5-hailo10h-yolov8s-pose \
  --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/yolov8s_pose:latest \
  python web_detection.py --model_path model/yolov8s_pose.hef --camera_id 0

REST API

POST http://<Board_IP>:8000/api/models/yolov8_pose/predict

curl -X POST "http://<Board_IP>:8000/api/models/yolov8_pose/predict" \
  -F "file=@test.jpg"

{
  "success": true,
  "source": "uploaded image",
  "predictions": [
    {
      "class": "person",
      "confidence": 0.91,
      "box": {"x1": 120, "y1": 80, "x2": 360, "y2": 520},
      "keypoints": [{"x": 180, "y": 120, "score": 0.87}]
    }
  ],
  "image": {"width": 1280, "height": 720}
}

Keypoints onder de drempel (0,30) worden weggelaten uit het antwoord.

Implementatienotities

• De HEF levert de ruwe pose-heads, zonder on-chip NMS: negen tensoren op drie feature-map-schalen, elk met bbox DFL (64 kanalen), score (1) en keypoints (51).
• Het decoderen volgt de ultralytics-/Model-Zoo-pose-head: sigmoid voor scores, DFL-softmax voor de boxafstanden, keypoints als (2 * raw + grid) * stride in de volgorde (x, y, score); de NMS draait op de host.
• Waarden die al in [0, 1] liggen blijven waarschijnlijkheden, anders wordt sigmoid toegepast, zodat de decoder bij beide gecompileerde vormen past.

Ontwikkelnotities

• Bronmodule: src/hailo10h_yolov8s_pose/, src/hailo10h_yolov8m_pose/
• Dockerfile: docker/hailo10h/yolov8s_pose.dockerfile, docker/hailo10h/yolov8m_pose.dockerfile
• Container: ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolov8s_pose:latest, ghcr.io/seeed-projects/recomputer-hailo10h-cv/yolov8m_pose:latest
• De module gebruikt de HailoRT 5.1.1 InferModel-API en een Hailo-10H-specifieke HEF.
• Unit-tests (gemockte HailoRT + pose-postprocessing-regressie) draaien zonder apparaat: python -m unittest discover -s tests -v.