CV / YOLACT

YOLACT-RegNetX-800MF

reComputer R Series (CM5 + Hailo-8)

在搭载 Hailo-8 或 Hailo-10H 的 reComputer R Series 上进行实时实例分割（COCO 80 类，掩膜与检测框）。

23 次下载

大小

35 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-yolact-800mf \
  --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/yolact_regnetx_800mf:latest \
  python web_detection.py --model_path model/yolact_regnetx_800mf.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/yolact_regnetx_800mf/predict" \
  -F "file=@test.jpg"

Python

import requests

response = requests.post(
    "http://<Board_IP>:8000/api/models/yolact_regnetx_800mf/predict",
    files={"file": open("test.jpg", "rb")},
    timeout=30,
)
print(response.json())

模型详情

reComputer R Series (CM5 + Hailo-8)

YOLACT-RegNetX-800MF 在 reComputer R Series（CM5 + Hailo-8）上运行

YOLACT（UC Davis）通过 HailoRT 在 Hailo-8 上执行实时实例分割，为 COCO 80 类边界框中的各个目标生成掩码。HEF 暴露 16 个原始输出头，所有解码均在主机 CPU 上执行。

模型信息

属性	值
架构	YOLACT（You Only Look At CoefficienTs），RegNetX-800MF 骨干网络
任务	实例分割
输入	512x512x3 RGB（normalize_in_net ImageNet RGB mean/std）
输出	16 个输出头：proto（128x128x32）+ 5 个尺度 x {bbox, mask coeffs, conf}
先验框	49,104 个锚框（9/单元，特征图 64/32/16/8/4）
类别数	80（COCO）
参数量	28.3M
运算量	116.75G
mAP（COCO，全精度）	25.6% 硬件参考值
HEF	Hailo Model Zoo v2.19.0, Hailo-8

上述精度值来自 Hailo Model Zoo 的参考数据，不是在 CM5 上实测的基准结果。

使用演示视频运行

bash

sudo docker run --rm \
  --name cm5-hailo8-yolact-800mf \
  --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/yolact_regnetx_800mf:latest \
  python web_detection.py --model_path model/yolact_regnetx_800mf.hef --video_path video/test.mp4

打开 http://<Board_IP>:8000 查看网页预览（MJPEG 流上叠加彩色实例掩码）。

REST API

bash

curl -X POST "http://<Board_IP>:8000/api/models/yolact_regnetx_800mf/predict" \
  -F "file=@test.jpg"

端点	方法	用途
`/`	GET	网页预览界面
`/api/models/yolact_regnetx_800mf/predict`	POST	边界框、置信度、掩码面积（JSON）
`/api/video_feed`	GET	带掩码的 MJPEG 预览流
`/api/config`	GET / POST	置信度 / NMS IOU 阈值

实现说明

CPU 后处理（meta_arch=yolact）：不使用片上 NMS。Detect 流水线（49,104 个锚框 → SSD 解码 → 逐实例 argmax → Fast NMS，每类 top-200，最多 100 个检测结果）基于 Model Zoo 的 instance_segmentation_postprocessing.py 移植为 numpy 实现。
候选掩码：将 sigmoid(proto @ coeffs^T) 裁剪到各检测框范围，并使用 mask_thresh=0.5（YAML mask_threshold）可视化。
normalize_in_net 使用 ImageNet RGB；应用输入原始 uint8 RGB 数据。
预处理：直接双线性缩放至 512x512（不做 letterbox，不填充）。

开发说明

源码模块： src/rpi5_hailo8_yolact_regnetx_800mf/
Dockerfile: docker/hailo8/yolact_regnetx_800mf.dockerfile
容器： ghcr.io/seeed-projects/recomputer-hailo8-cv/yolact_regnetx_800mf:latest
系列：YOLACT（变体：regnetx_800mf / regnetx_1.6gf）

输入与输出

Input: image, video, or USB camera frame. Output: COCO 80-class boxes with confidences, per-object mask pixel areas, and an MJPEG preview with colored instance masks.