CV / YOLOv3

YOLOv3

reComputer R Series (CM5 + Hailo-8)

YOLOv3 / YOLOv3-416 / YOLOv3-Gluon / YOLOv3-Gluon-416 在 reComputer R Series + Hailo-8 或 Hailo-10H 上的 COCO 目标检测。

12 次下载
大小
54.7 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-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/yolov3:latest \
  python web_detection.py --model_path model/yolov3.hef --video_path video/test.mp4

模型详情

reComputer R Series (CM5 + Hailo-8)

YOLOv3 / YOLOv3-416 / YOLOv3-Gluon / YOLOv3-Gluon-416 COCO 检测(reComputer R Series,CM5 + Hailo-8)

YOLOv3 的四个变体通过 HailoRT 4.23 在 Hailo-8 上进行 COCO 80 类目标检测。每个 HEF 输出三个原始 YOLOv3 检测头,主机侧完成网格解码(sigmoid + anchor + NMS), 并在 MJPEG 预览上绘制检测框。四个变体共用同一套 Web 服务。

模型信息

变体输入打包 HEFmAP 浮点 / Hailo-8FPS(batch 1)参数量 / 运算量容器
YOLOv3608×608×354.7 MB38.4 / 38.337.868.79M / 158.10Gyolov3
YOLOv3-416416×416×356.6 MB37.7 / 37.647.861.92M / 65.94Gyolov3_416
YOLOv3-Gluon608×608×350.8 MB37.3 / 35.838.168.79M / 140.7Gyolov3_gluon
YOLOv3-Gluon-416416×416×356.2 MB36.3 / 34.349.061.92M / 65.94Gyolov3_gluon_416

硬件与主机环境

项目值
开发板搭载 Raspberry Pi CM5 的 reComputer R Series
加速器PCIe Hailo-8,设备节点 /dev/hailo0
运行时HailoRT 4.23.x(主机与容器的主次版本必须一致)
容器内 Python3.11,aarch64
bash
sudo apt update
sudo apt install hailo-all -y
sudo reboot

# 重启后
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

选择与模型变体对应的命令。

YOLOv3

bash
sudo docker run --rm \
  --name pi5-hailo8-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/yolov3:latest \
  python web_detection.py --model_path model/yolov3.hef --video_path video/test.mp4

YOLOv3-416

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3-416 \
  --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/yolov3_416:latest \
  python web_detection.py --model_path model/yolov3_416.hef --video_path video/test.mp4

YOLOv3-Gluon

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3-gluon \
  --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/yolov3_gluon:latest \
  python web_detection.py --model_path model/yolov3_gluon.hef --video_path video/test.mp4

YOLOv3-Gluon-416

bash
sudo docker run --rm \
  --name pi5-hailo8-yolov3-gluon-416 \
  --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/yolov3_gluon_416:latest \
  python web_detection.py --model_path model/yolov3_gluon_416.hef --video_path video/test.mp4

打开 http://<Board_IP>:8000 查看检测结果。内置的 video/test.mp4 是验证用 演示片段。

USB 摄像头模式

bash
sudo docker run --rm \
  --name pi5-hailo8-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/yolov3:latest \
  python web_detection.py --model_path model/yolov3.hef --camera_id 0

将 yolov3 换成其他变体的镜像和模型名,即可运行 YOLOv3-416、YOLOv3-Gluon 或 YOLOv3-Gluon-416。

REST API

变体端点
YOLOv3POST /api/models/yolov3/predict
YOLOv3-416POST /api/models/yolov3_416/predict
YOLOv3-GluonPOST /api/models/yolov3_gluon/predict
YOLOv3-Gluon-416POST /api/models/yolov3_gluon_416/predict
bash
curl -X POST "http://<Board_IP>:8000/api/models/yolov3/predict" \
  -F "file=@test.jpg"

返回的 predictions 包含 COCO 类别、置信度和检测框。

实现说明

  • HEF 输出三个原始 YOLOv3 检测头,片上不做 NMS。主机侧执行 sigmoid、基于 anchor 的网格解码和 NMS。
  • 解码公式:center = (sigmoid(xy) + grid) * stride,size = exp(wh) * anchor, score = sigmoid(obj) * sigmoid(cls)。
  • 预处理先 letterbox 到 HEF 输入尺寸(填充色 114),再 BGR→RGB;归一化已编译 进 HEF。
  • Anchor:stride 32 [[116,90],[156,198],[373,326]],stride 16 [[30,61],[62,45],[59,119]],stride 8 [[10,13],[16,30],[33,23]]。

开发说明

  • 源码:src/rpi5_hailo8_yolov3{,_416,_gluon,_gluon_416}/
  • Dockerfile:docker/hailo8/yolov3{,_416,_gluon,_gluon_416}.dockerfile
  • 容器:ghcr.io/seeed-projects/recomputer-hailo8-cv/yolov3{,_416,_gluon,_gluon_416}:latest
  • HEF:Hailo Model Zoo v2.20.0(hailo8),大小和 SHA256 记录在各模块的 model/README.md

输入与输出

输入:图像、视频或 USB 摄像头帧。输出:COCO 80 类检测框、置信度与 MJPEG 预览。