保姆级教程：在旭日X3派上用YOLOv5s-2.0实现目标检测（从训练到上板推理全流程）

旭日X3派YOLOv5s-2.0全流程开发实战：从数据集构建到边缘推理

在嵌入式AI领域，地平线旭日X3派凭借5TOPS等效算力成为边缘计算的热门选择。本文将完整呈现基于YOLOv5s-2.0模型的目标检测项目全生命周期，涵盖以下关键阶段：

• 数据工程：构建符合BPU特性的672×672像素数据集
• 模型训练：PyTorch环境下的参数调优技巧
• 模型转换：ONNX导出与BPU适配的完整校准流程
• 边缘部署：旭日X3派上的推理优化实践

1. 开发环境配置与数据准备

1.1 硬件选型与系统基础

旭日X3派开发板推荐配置：

• 内存：4GB LPDDR4
• 存储：16GB eMMC + TF卡扩展
• 接口：双MIPI-CSI摄像头接口
• 系统镜像：Ubuntu 20.04 LTS

开发主机建议环境：

# Conda环境创建（Python 3.8） conda create -n x3_yolov5 python=3.8 -y conda activate x3_yolov5 # 关键依赖安装 pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html

1.2 数据集构建规范

YOLOv5s-2.0专用数据集目录结构：

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

关键配置参数示例：

# data.yaml 内容示例 train: ../dataset/images/train val: ../dataset/images/val nc: 3 # 类别数 names: ['person', 'car', 'bicycle']

注意：所有图像需统一调整为672×672分辨率，与后续BPU计算特性对齐

2. 模型训练与优化技巧

2.1 YOLOv5-2.0源码适配

版本选择依据：

关键训练参数配置：

# train.py 修改建议 parser.add_argument('--weights', type=str, default='yolov5s.pt') parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml') parser.add_argument('--data', type=str, default='data/custom.yaml') parser.add_argument('--img-size', nargs='+', type=int, default=[672, 672]) parser.add_argument('--batch-size', type=int, default=16)

2.2 训练过程监控

典型loss曲线健康特征：

• box_loss：应稳定收敛至0.05以下
• obj_loss：建议控制在0.02范围内
• cls_loss：多分类任务需<0.01

训练中断恢复方案：

python train.py --resume runs/exp/weights/last.pt

3. 模型转换与BPU适配

3.1 ONNX导出特殊处理

模型导出前必须修改：

1. 修改models/yolo.py中的Detect层：

# 修改前 return x if self.training else (torch.cat(z, 1), ) # 修改后 return x if self.training else (torch.cat(z, 1).permute(0, 3, 1, 2), )

2. 调整export.py关键参数：

torch.onnx.export( model, im, f, opset_version=11, input_names=['data'], dynamic_axes=None )

3.2 模型转换全流程

转换环境搭建步骤：

1. 获取地平线工具链

wget -c ftp://xj3ftp@vrftp.horizon.ai/ai_toolchain/ai_toolchain.tar.gz tar -xzvf ai_toolchain.tar.gz

2. 校准数据集准备：

# 校准图像预处理示例 import cv2 def preprocess(img_path): img = cv2.imread(img_path) img = cv2.resize(img, (672, 672)) img = img[:, :, ::-1] # BGR2RGB return img.transpose(2, 0, 1) # HWC to CHW

转换配置文件要点：

# yolov5s_config_X3.yaml 核心参数 model_parameters: onnx_model: 'yolov5s.onnx' output_model_file_prefix: 'yolov5s_672x672' layer_out_dump: False calibration_parameters: cal_data_dir: 'calibration_data' calibration_type: 'max' max_percentile: 0.9999

4. 板端部署与性能优化

4.1 推理环境搭建

旭日X3派系统配置：

# 安装地平线推理库 sudo apt-get install hrt-tools hobot-multimedia pip install horizon_nn==0.12.2

4.2 推理代码适配

后处理关键修改点：

# postprocess.py 调整要点 def reshape_output(data, num_classes): # 672对应不同尺度的除数 strides = [8, 16, 32] for i, stride in enumerate(strides): data[i] = data[i].reshape( 1, 3, 84//stride, 84//stride, num_classes+5 )

性能优化对比：

实际部署中发现，使用双MIPI摄像头输入时，通过DMA零拷贝技术可进一步提升15%的帧率。建议在hobot_mmz模块中配置内存池，减少动态内存分配开销。