YOLOv26n RDK X5 模型与量化产物

这是基于 YOLOv26n 训练得到的检测模型，以及按 D-Robotics RDK X5 官方 rdk_x5 模型仓库流程生成的 BPU 量化产物。

官方参考：

• https://github.com/D-Robotics/rdk_model_zoo/tree/rdk_x5
• https://developer.d-robotics.cc/rdk_doc/Algorithm_Application/model_zoo/model_zoo_intro

模型信息

项目	内容
浮点模型	best.onnx
ONNX IR / opset	IR 6 / opset 11
输入	images, [1, 3, 640, 640], RGB
类别数	4
类别名称	QR_code, line, end, roadblock
原始 ONNX 输出	output0, [1, 300, 6]
BPU 输入	NV12, 640x640
BPU 输出	三尺度 (cls, box) 原始特征，共 6 个 NHWC 张量

原始 best.onnx 包含 YOLOv26 的端到端后处理。为了减少 BPU 与 CPU 之间的 切换，x5_quantization/best_bpu.onnx 只保留检测网络和原始检测头，移除了 TopK、Gather、索引解码以及最终检测结果拼接。后处理在 CPU 上执行：分类 sigmoid、置信度筛选、LTRB 解码和 NMS。

目录内容

best.onnx                                      # 原始浮点 ONNX
x5_quantization/
  best_bpu.onnx                                # 裁剪后的 BPU 友好 ONNX
  best_bpu_int8.yaml                           # hb_mapper 配置
  mapper_output_bpu/
    best_bpu_bayese_640x640_nv12.bin           # X5 可加载模型
    *_quant_info.json                           # 输出量化参数
    *_quantized_model.onnx                     # 量化检查模型
  calibration_data/                            # 50 个 RGB/CHW/float32 校准输入
  prepare_calibration.py                       # 生成校准输入
  extract_yolo26_bpu.py                        # 裁剪 YOLOv26 后处理
  postprocess_yolo26.py                        # CPU 后处理
  quantize_x5.sh                               # Docker 一键量化
  checker.log / mapper.log                     # checker 和 makertbin 日志

int8 产物位置

最终的 X5 int8 模型就是：

x5_quantization/mapper_output_bpu/best_bpu_bayese_640x640_nv12.bin

本机完整路径：

/Users/chenyouyuan/cyy_ws/smart_car_2026/model/x5_quantization/mapper_output_bpu/best_bpu_bayese_640x640_nv12.bin

对应的量化配置是 x5_quantization/best_bpu_int8.yaml，量化检查信息在 x5_quantization/mapper_output_bpu/best_bpu_bayese_640x640_nv12_quant_info.json。

重新量化

需要 Docker Desktop 和已加载的镜像：

openexplorer/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8

在本目录的上一级执行：

cd /Users/chenyouyuan/cyy_ws/smart_car_2026/model
./x5_quantization/quantize_x5.sh

脚本会从 ../dataset 的 images/train 和 images/vel 中均匀抽取 50 张图片， 直接 resize 到 640x640，保存为 RGB、CHW、float32；data_scale=1/255 由 hb_mapper 配置完成。量化目标为 bayes-e，默认 int8，编译优化等级为 O3， 并启用 set_Softmax_input_int8,set_Softmax_output_int8。

BPU 输出与 CPU 后处理

模型输出顺序固定为：

cls_s8, box_s8, cls_s16, box_s16, cls_s32, box_s32

形状分别为：

cls_s8 / box_s8     [1, 80, 80, 4]
cls_s16 / box_s16   [1, 40, 40, 4]
cls_s32 / box_s32   [1, 20, 20, 4]

可以直接复用 x5_quantization/postprocess_yolo26.py：

from x5_quantization.postprocess_yolo26 import postprocess

boxes, scores, class_ids = postprocess(
    [cls_s8, box_s8, cls_s16, box_s16, cls_s32, box_s32],
    classes=4,
    score_threshold=0.25,
    iou_threshold=0.7,
)

返回的框坐标位于 640x640 模型坐标系。如果板端前处理使用 letterbox，需要 根据实际缩放比例和 padding 将坐标映射回原始相机分辨率。

量化结果

hb_mapper checker 和 hb_mapper makertbin 均已通过。编译器对 X5 的估计延迟 为 8.913 ms，最终 .bin 大小约 3.7 MB。输出余弦相似度如下：

输出	Cosine Similarity
cls_s8	0.985422
box_s8	0.989597
cls_s16	0.989395
box_s16	0.993338
cls_s32	0.998478
box_s32	0.999024

上述延迟是 Docker 中 OpenExplore 编译器的估计值，不是 X5 实板实测值。部署前 应在板端用 hrt_model_exec model_info 检查模型元数据，再用真实相机输入验证 检测精度和端到端延迟。