CV / Tiny Yolo

Tiny-YOLOv4

reComputer R Series (CM5 + Hailo-8)

在搭载 Hailo-8 的 reComputer R Series 上使用 Tiny-YOLOv4 进行 COCO 80 类目标检测（CPU 端 YOLOv3 解码）。

17 次下载

大小

7.3 MB

内存

4GB+

精度

Hailo HEF / HailoRT 4.23.x

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-yolov4 \
  --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_yolov4:latest \
  python web_detection.py --model_path model/tiny_yolov4.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_yolov4/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/tiny_yolov4/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

模型详情

Tiny-YOLOv4 在 reComputer R Series（CM5 + Hailo-8）上运行

Tiny-YOLOv4 在 Hailo-8 上检测 COCO 80 类目标。输入输出与 Tiny-YOLOv3 相同，但采用 YOLOv4-tiny 骨干网络（更轻量、精度更高）。不使用片上 NMS，原始 YOLOv3 输出头在 CPU 上解码。

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	YOLOv4-tiny（base/yolo.yaml）
任务	目标检测
输入	416x416x3 RGB（normalize_in_net std=255）
输出	2 个原始输出头：13x13x255（步长 32）+ 26x26x255（步长 16）
类别数	80（COCO，从 0 编号）
参数量	6.05M
运算量	6.92G
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-yolov4 \
  --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_yolov4:latest \
  python web_detection.py --model_path model/tiny_yolov4.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-tiny-yolov4 \
  --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_yolov4:latest \
  python web_detection.py --model_path model/tiny_yolov4.hef --camera_id 0

REST API

text

POST http://<Board_IP>:8000/api/models/tiny_yolov4/predict

bash

curl -X POST "http://<Board_IP>:8000/api/models/tiny_yolov4/predict" \
  -F "file=@test.jpg"

端点	方法	用途
`/`	GET	网页预览界面
`/api/models/tiny_yolov4/predict`	POST	检测结果（JSON）
`/api/video_feed`	GET	MJPEG 预览流

实现说明

输入输出及后处理与 Tiny-YOLOv3 相同（相同 base/yolo.yaml、锚框和 YOLOv3 CPU 解码）；仅骨干网络不同（YOLOv4-tiny）。
不使用片上 NMS，原始 YOLOv3 输出头在 CPU 上解码（sigmoid + 锚框 + NMS）。
normalize_in_net 的 std=255（÷255）+ padding_color=114（灰色）。letterbox 后输入原始 uint8 RGB 数据。

开发说明

源码模块： src/rpi5_hailo8_tiny_yolov4/
Dockerfile: docker/hailo8/tiny_yolov4.dockerfile
容器： ghcr.io/seeed-projects/recomputer-hailo8-cv/tiny_yolov4:latest
系列：yolo（变体：tiny_yolov3 / tiny_yolov4）；此处为 v4 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.