一、通用第一步PC 端把.pt 导出 ONNX因为我的训练文件是.pt文件先装好 ultralytics没装先执行pip install ultralytics onnx onnxsim这一步你可能会出错因为你没装cmake编译安装 onnxsim 需要cmake工具如果出错就执行pip install cmake然后pip install onnxsim就成功了再通过你的终端cd到你训练文件所在的文件夹比如我的cd C:\Users\123\ultralytics-main\runs\detect\train-3\weights然后运行一个命令yolo export modelbest.pt formatonnx imgsz640 simplifyTrue opset17 dynamicFalse会自动生成一个onnx文件然后再次精简 ONNX必做解决后续量化报错当前目录已经有best.onnx执行简化会生成一个best_simplified.onnx二、准备校准图片,开始量化从你之前训练用的图片里随便复制 100~200 张原图新建文件夹calib新建dataset.txt文本每一行粘贴一张图片的完整路径 示例示例C:\train\calib\img1.jpg C:\train\calib\img2.jpg把三样东西放同一个文件夹best_simplified.onnx calib 图片文件夹 dataset.txt对于粘贴路径你可以在Windows照片文件夹里上一位文件夹里新建文本改名gen_txt.bat写入下面代码echo off dir /s /b calib\*.jpg dataset_win.txt双击运行这个 bat自动生成dataset_win.txt里面全部是图片完整 Windows 路径。把 Windows 路径转成 WSL 识别路径打开 dataset_win.txtCtrlH 全局替换查找C:\替换为/mnt/c/查找\替换为/保存为dataset.txt直接给 Docker 用几百张图 10 秒搞定安装 Docker导入地平线 X5 工具镜像启动容器把上面存放模型、校准图的本地文件夹映射进容器 sudo docker run -it --rm --gpus all \-v /本地文件夹路径:/open_explorer/user_data \ openexplorer/ai_toolchain_ubuntu_20_x5_gpu:v1.2.8-py310在容器内写转换脚本填入 onnx 路径、图片文件、归一化参数、硬件型号 X5运行脚本自动完成两件事遍历 dataset.txt 里所有图片输入模型统计每层数值范围校准根据统计数据把浮点模型转为 INT8 整数模型输出yolo8.bin作用适配 RDK X5 芯片大幅提升运行速度降低功耗最后将.bin文件拷到RDK上就行当然如果你不想在WSL或者ubuntu中量化你也可以选择直接在RDK上量化只是因为开发板性能比较弱WSL/ubuntu用几分钟开发板用几十分钟吧