# RDK X5 YOLOv26n 量化

输入模型为 `../best.onnx`，固定输入 `images [1,3,640,640]`，opset 11。流程参考
`D-Robotics/rdk_model_zoo` 的 `rdk_x5` 分支中 `ultralytics_yolo26` 示例：

- `extract_yolo26_bpu.py` 移除 TopK、Gather 和最终检测结果组装，只输出三尺度
  `(cls, box)` 原始特征，输出布局为 NHWC。
- 校准数据从 `../../dataset` 均匀抽取 50 张图片，直接 resize 到 640x640，保存
  RGB/CHW/float32；`data_scale=1/255` 由量化配置完成。
- 板端输入为 NV12，量化默认 int8，并使用官方 Softmax int8 优化项。

执行 `./quantize_x5.sh` 会在 Docker 镜像
`openexplorer/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8` 中依次运行 `hb_mapper checker`
和 `hb_mapper makertbin`，产物为
`mapper_output_bpu/best_bpu_bayese_640x640_nv12.bin`。部署端需要按三尺度输出完成
sigmoid、LTRB 解码、阈值筛选和 NMS；可直接复用 `postprocess_yolo26.py`。

板端输入是 NV12，模型输出顺序为 `cls_s8, box_s8, cls_s16, box_s16,
cls_s32, box_s32`，输出张量布局是 NHWC。`.bin` 的 `model_info` 应以板端
`hrt_model_exec` 实际显示的名称和量化参数为准。