yolov26n_model/x5_quantization/README.md

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。