CV / ResNet

ResNet v1

reComputer R Series (CM5 + Hailo-8)

ResNet v1-18/v1-34/v1-50 在 reComputer R Series + Hailo-8 或 Hailo-10H 上的 ImageNet 分类。

9 次下载
大小
12.5 MB
内存
4GB+
精度
Hailo HEF

选择你正在使用的设备,设置指南和文档将相应更新。

快速开始

部署
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-18 \
  --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/resnet_v1_18:latest \
  python web_detection.py --model_path model/resnet_v1_18.hef --video_path video/test.mp4

模型详情

reComputer R Series (CM5 + Hailo-8)

ResNet v1-18/v1-34/v1-50 ImageNet 分类在 reComputer R Series(CM5 + Hailo-8)上运行

ResNet v1-18/v1-34/v1-50 通过 HailoRT 4.23 在 Hailo-8 上进行 1000 类 ImageNet 分类。每个 HEF 接收 224×224 RGB 图像并输出 1000 个分数;主机侧做 softmax,对分数做时间 平滑,并在 MJPEG 预览上叠加 Top-K 面板。三个变体共用同一套 Web 服务和 Hailo 官方演示视频。

模型信息

变体输入打包 HEFTop-1 浮点 / Hailo-8参数 / 运算容器镜像
ResNet v1-18224×224×3 RGB12.5 MB71.3 / 71.111.68M / 3.64Gresnet_v1_18
ResNet v1-34224×224×3 RGB15.7 MB72.7 / 72.221.79M / 7.34Gresnet_v1_34
ResNet v1-50224×224×3 RGB18.0 MB75.2 / 74.725.53M / 6.98Gresnet_v1_50

硬件与主机设置

项目值
开发板树莓派 CM5 的 reComputer R Series
加速器Hailo-8,PCIe,设备节点 /dev/hailo0
运行时HailoRT 4.23.x(宿主机与容器 major.minor 必须一致)
容器 Python3.11,aarch64
bash
sudo apt update
sudo apt install hailo-all -y
sudo reboot

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

# Docker
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh --mirror Aliyun
sudo systemctl enable docker
sudo systemctl start docker

使用演示视频运行

请选择与模型变体对应的命令。

ResNet v1-18

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-18 \
  --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/resnet_v1_18:latest \
  python web_detection.py --model_path model/resnet_v1_18.hef --video_path video/test.mp4

ResNet v1-34

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-34 \
  --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/resnet_v1_34:latest \
  python web_detection.py --model_path model/resnet_v1_34.hef --video_path video/test.mp4

ResNet v1-50

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-50 \
  --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/resnet_v1_50:latest \
  python web_detection.py --model_path model/resnet_v1_50.hef --video_path video/test.mp4

打开 http://<Board_IP>:8000 查看 Top-K 叠加。随附的 video/test.mp4 是 Hailo 官方分类演示片段(example.mp4,包含汽车和行人的街景)。

USB 摄像头模式

bash
sudo docker run --rm \
  --name pi5-hailo8-resnet-v1-18 \
  --privileged \
  --net=host \
  -e PYTHONUNBUFFERED=1 \
  --device /dev/hailo0:/dev/hailo0 \
  --device /dev/video0:/dev/video0 \
  -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/resnet_v1_18:latest \
  python web_detection.py --model_path model/resnet_v1_18.hef --camera_id 0

REST API

每个变体有独立的端点:

变体端点
ResNet v1-18POST /api/models/resnet_v1_18/predict
ResNet v1-34POST /api/models/resnet_v1_34/predict
ResNet v1-50POST /api/models/resnet_v1_50/predict
bash
curl -X POST "http://<Board_IP>:8000/api/models/resnet_v1_18/predict" \
  -F "file=@test.jpg" -F "conf=0.30" -F "iou=5"

响应中的 predictions 条目包含 ImageNet 类别名、短标签和置信度。iou 沿用为 Top-K 数量,保持与检测模块的 API 形式一致。

实现说明

  • 每个 HEF 输出单个 1000 维分数向量;编译时关闭了 softmax 和 argmax,主机侧 做 softmax 和 Top-K。
  • 预处理是直接 resize 到 224×224 并 BGR→RGB;ImageNet mean/std 归一化已编译进 HEF,不使用 letterbox。
  • 实时预览对概率向量做平滑(0.6 上一帧 + 0.4 当前帧),避免标签闪烁,然后绘制 Top-K 面板。
  • 启动时从 HEF 读取输入尺寸(224×224)。

开发说明

  • 源码:src/rpi5_hailo8_resnet_v1_{18,34,50}/
  • Dockerfile:docker/hailo8/resnet_v1_{18,34,50}.dockerfile
  • 容器镜像:ghcr.io/seeed-projects/recomputer-hailo8-cv/resnet_v1_{18,34,50}:latest
  • HEF:Hailo Model Zoo v2.20.0(hailo8),大小与 SHA256 记录在各模块的 model/README.md
  • 演示视频:https://hailo-csdata.s3.eu-west-2.amazonaws.com/resources/video/example.mp4 (来自 hailo-ai/hailo-apps,MIT)

输入与输出

输入:图像、视频或 USB 摄像头帧。输出:Top-K ImageNet 类别与置信度。