CV / SSD

SSD MobileNet V2

reComputer R Series (CM5 + Hailo-8)

在搭载 Hailo-8 的 reComputer R Series 上使用 SSD MobileNet V2 进行 COCO 80 类目标检测（片上 NMS）。

33 次下载

大小

5.6 MB

内存

4GB+

精度

Hailo HEF / HailoRT

选择你正在使用的设备，设置指南和文档将相应更新。

平台

推理引擎

快速开始

部署

sudo docker run --rm \
  --name cm5-hailo8-ssd-mobilenet-v2 \
  --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/ssd_mobilenet_v2:latest \
  python web_detection.py --model_path model/ssd_mobilenet_v2.hef --video_path video/test.mp4

REST API

使用 REST API 进行推理。复制以下命令。

Curl

curl -X POST "http://<Board_IP>:8000/api/models/ssd_mobilenet_v2/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/ssd_mobilenet_v2/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

模型详情

SSD MobileNet V2 在 reComputer R Series（CM5 + Hailo-8）上运行

SSD MobileNet V2 是采用 MobileNet V2 骨干网络的经典 TensorFlow SSD 检测器，在 Hailo-8 上检测 COCO 80 类目标。输入输出与 V1 相同，但更轻量且精度略高。NMS 在片上执行（Hailo HPP，meta_arch=ssd），主机仅解析 NMS 后的张量。

本页面向配备 PCIe Hailo-8 加速器的 reComputer R Series（CM5 + Hailo-8）。

模型信息

属性	值
架构	SSD + MobileNet V2
任务	目标检测
输入	300x300x3 RGB（normalize_in_net mean=127.5/std=127.5）
输出	片上 NMS 张量，NMS 后形状为 90x8x1
类别数	90 个槽位（通过 labels_offset=1 对应 COCO ID 1..90；10 个未使用）
参数量	4.46M
运算量	1.52G
后处理	片上 NMS（HPP）；主机解析 NMS 后的张量
HEF	Hailo Model Zoo v2.19.0, Hailo-8

硬件与主机设置

项目	值
开发板	配备 Raspberry Pi CM5 的 reComputer R Series
加速器	Hailo-8 通过 PCIe 连接，设备为 `/dev/hailo0`
运行时	HailoRT 4.23.x
容器内 Python	3.11, aarch64

bash

sudo apt update
sudo apt install hailort hailort-pcie-driver python3-hailort
sudo reboot
hailortcli --version
hailortcli fw-control identify
ls -l /dev/hailo0

使用演示视频运行

bash

sudo docker run --rm \
  --name cm5-hailo8-ssd-mobilenet-v2 \
  --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/ssd_mobilenet_v2:latest \
  python web_detection.py --model_path model/ssd_mobilenet_v2.hef --video_path video/test.mp4

打开 http://<Board_IP>:8000 查看网页预览。

USB 摄像头模式

bash

sudo docker run --rm \
  --name cm5-hailo8-ssd-mobilenet-v2 \
  --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/ssd_mobilenet_v2:latest \
  python web_detection.py --model_path model/ssd_mobilenet_v2.hef --camera_id 0

REST API

text

POST http://<Board_IP>:8000/api/models/ssd_mobilenet_v2/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/ssd_mobilenet_v2/predict" \
  -F "file=@test.jpg"

端点	方法	用途
`/`	GET	网页预览界面
`/api/models/ssd_mobilenet_v2/predict`	POST	检测结果（JSON）
`/api/video_feed`	GET	MJPEG 预览流

实现说明

输入输出约定及后处理与 V1 构建相同，仅骨干网络不同（MobileNet V2 → 更轻量、精度略高）。
HEF 在片上执行 NMS；应用仅解析 NMS 后的张量（tf_postproc_nms），因此忽略 nms_thresh（仅保留 API 一致性）。
normalize_in_net 的 mean=127.5/std=127.5（经典 SSD 归一化）；应用在 letterbox 后输入原始 uint8 RGB 像素，不手动归一化。
HailoRT 以按类别划分的不等长列表（NMS-by-score）返回 NMS vstream；解析器支持 ragged/object/dense 布局。首次推理记录原始类型和形状，便于在硬件上验证。
类别映射：cls_id（0..89）→ COCO 类别 ID cls_id+1（labels_offset=1）；10 个未使用的 COCO ID 标记为“N/A”，不绘制。
默认值：置信度 0.25，IOU 0.45（片上 NMS，因此 IOU 无影响）。评估使用 0.3 / 0.6。

开发说明

源码模块： src/rpi5_hailo8_ssd_mobilenet_v2/
Dockerfile: docker/hailo8/ssd_mobilenet_v2.dockerfile
容器： ghcr.io/seeed-projects/recomputer-hailo8-cv/ssd_mobilenet_v2:latest
系列：ssd（变体：ssd_mobilenet_v1 / ssd_mobilenet_v2）；此处为 V2 构建。

输入与输出

Input: image, video, or USB camera frame. Output: COCO 80-class detection boxes with confidences, plus an annotated MJPEG preview.