CV / Tiny Yolo

Tiny-YOLOv3

COCO 80 类目标检测，Tiny-YOLOv3（CPU YOLOv3 解码），适用于 reComputer R Series + Hailo-8 或 Hailo-10H。

23 次下载

大小

8.4 MB

内存

4GB+

精度

Hailo HEF / HailoRT 4.23.x (Hailo-8) / 5.1.1 (Hailo-10H)

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-tiny-yolov3 \
  --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/tiny_yolov3:latest \
  python web_detection.py --model_path model/tiny_yolov3.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/tiny_yolov3/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/tiny_yolov3/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

模型详情

reComputer R Series

Tiny-YOLOv3 在 reComputer R Series（CM5 + Hailo-8）上运行

Tiny-YOLOv3 在 Hailo-8 上检测 80 个 COCO 目标类别。与片上 NMS 模型（SSD、EfficientDet、NanoDet）不同，它输出原始 YOLOv3 检测头，完整的网格解码（sigmoid + anchor + NMS）在 CPU 上完成。tiny_yolo 系列（tiny_yolov3 / tiny_yolov4）的第一个变体。

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

模型信息

属性	值
架构	Tiny-YOLOv3（base/yolo.yaml）
任务	目标检测
输入	416x416x3 RGB（normalize_in_net std=255）
输出	2 个原始头：13x13x255（stride 32）+ 26x26x255（stride 16）
类别	80（COCO，从 0 起索引）
参数量	8.85M
计算量	5.58G
后处理	CPU YOLOv3 解码（无片上 NMS）
HEF	Hailo Model Zoo v2.19.0，Hailo-8

硬件与主机设置

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-tiny-yolov3 \
  --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/tiny_yolov3:latest \
  python web_detection.py --model_path model/tiny_yolov3.hef --video_path video/test.mp4

打开 http://<Board_IP>:8000 查看 Web 预览。

USB 摄像头模式

bash

sudo docker run --rm \
  --name cm5-hailo8-tiny-yolov3 \
  --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/tiny_yolov3:latest \
  python web_detection.py --model_path model/tiny_yolov3.hef --camera_id 0

REST API

text

POST http://<Board_IP>:8000/api/models/tiny_yolov3/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/tiny_yolov3/predict" \
  -F "file=@test.jpg"

端点	方法	用途
`/`	GET	Web 预览界面
`/api/models/tiny_yolov3/predict`	POST	检测结果（JSON）
`/api/video_feed`	GET	MJPEG 预览流

实现说明

无片上 NMS——HEF 输出原始 YOLOv3 头，应用在 CPU 上完成全部解码：obj + 类别分数的 sigmoid、基于 anchor 的网格解码、NMS。
解码（官方 yolo.py 的 _yolo3_decode）： center = (sigmoid(raw_xy) + grid) * stride，scale = exp(raw_wh) * anchor， score = sigmoid(obj) * sigmoid(cls)。
normalize_in_net std=255（÷255）+ padding_color=114（灰色）。应用在 letterbox 后直接送入原始 uint8 RGB 像素。
每个尺度 3 个 anchor：stride 32 → [[81,82],[135,169],[344,319]]，stride 16 → [[23,27],[37,58],[81,82]]。
首次推理会记录各检测头的形状用于核验（SOP §10）。

开发说明

源码模块：src/rpi5_hailo8_tiny_yolov3/
Dockerfile：docker/hailo8/tiny_yolov3.dockerfile
容器镜像：ghcr.io/seeed-projects/recomputer-hailo8-cv/tiny_yolov3:latest
家族：yolo（变体 tiny_yolov3 / tiny_yolov4）；本页为 v3 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.