地平线RDK X5部署YOLOv5模型转换与优化指南

1. 地平线 RDK X5 部署 YOLOv5 完整指南

作为一名计算机视觉工程师，我最近在地平线 RDK X5 开发板上成功部署了 YOLOv5 目标检测模型。这个过程中遇到了不少坑，特别是从 PyTorch 的 .pt 模型转换到 BPU 专用的 .bin 格式这一关键步骤。本文将分享我的完整经验，帮助大家避开那些让我熬夜调试的陷阱。

RDK X5 的 10 TOPS 算力确实强大，但如果不进行正确的模型转换，直接在 CPU 上运行 PyTorch 模型，帧率会低得可怜（不到 5 FPS）。通过本文的转换流程，你可以充分发挥 BPU 的硬件加速能力，实现 50 FPS 以上的流畅检测性能。

2. 环境准备与工具链配置

2.1 硬件与软件需求

在开始之前，请确保你已准备好以下环境：

• 宿主机系统：Windows 10/11（本文以 Win11 为例）
• 开发板：地平线 RDK X5（运行 Ubuntu 22.04）
• 必备软件：
  • Docker Desktop（版本 4.15.0 或更高）
  • Python 3.8+（建议使用 Miniconda 管理环境）
  • PyTorch 1.12+ 和 Ultralytics YOLOv5 仓库

提示：虽然 RDK X5 运行的是 Ubuntu 22.04，但地平线官方工具链是基于 Ubuntu 20.04 的 Docker 镜像。这种交叉编译方式完全兼容，不必担心版本问题。

2.2 Docker 环境配置

为了避免污染本地环境，我们使用 Docker 容器来运行地平线的工具链。以下是详细配置步骤：

1. 安装 Docker Desktop 并确保已启用 WSL2 后端
2. 在 PowerShell 中拉取官方镜像：

bash复制docker pull openexplorer/ai_toolchain_ubuntu_20_x5_gpu:v1.2.8

3. 创建工作目录并挂载到容器：

bash复制# 在D盘创建workspace文件夹
mkdir D:\rdk_workspace
# 运行容器并挂载目录
docker run -it --rm -v D:\rdk_workspace:/data openexp