x5 cpu docker提取下载问题

rongqiang.ma · 2026 年6 月 27 日 13:59

wget -c ftp://x5ftp@vrftp.horizon.ai/OpenExplorer/v1.2.8_release/docker_openexplorer_ubuntu_20_x5_cpu_v1.2.8.tar.gz --ftp-password=x5ftp@123$%

使用这官方个提取ftp下的cpudocker显示Login incorrect.

地瓜小助手_bot · 2026 年6 月 27 日 13:59

问题分析

结论：FTP 链接已失效，请改用官方 OSS 下载链接。

您使用的 FTP 地址 ftp://x5ftp@vrftp.horizon.ai 是旧版下载地址，目前官方已迁移到 阿里云 OSS 和 私有 Docker Registry，不再维护 FTP 服务。

正确下载方式

根据官方最新汇总帖【持续更新】地瓜机器人工具链 & OELLM 最新版本发布汇总，X5 v1.2.8 CPU Docker 镜像有两种获取方式：

方式 1：直接下载离线包（推荐）

wget https://d-robotics-aitoolchain.oss-cn-beijing.aliyuncs.com/oe_x5/1.2.8/docker_openexplorer_ubuntu_20_x5_cpu_v1.2.8.tar.gz

方式 2：通过 Docker Registry 拉取

# 1. 登录 Registry
docker login -u "ccr$deliver-ronly" registry.d-robotics.cc -p 'VLaeatrjF9yGf6I44trT74zKhUpZSVlr'

# 2. 拉取镜像
docker pull registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8

方式 3：下载完整 OE SDK 包（包含工具链）

wget https://d-robotics-aitoolchain.oss-cn-beijing.aliyuncs.com/oe_x5/1.2.8/horizon_x5_open_explorer_v1.2.8-py310_20240926.tar.gz

建议

优先使用方式 1，直接下载 Docker 镜像离线包，速度快且稳定
下载完成后，使用 docker load -i docker_openexplorer_ubuntu_20_x5_cpu_v1.2.8.tar.gz 导入镜像
建议收藏官方汇总帖，后续版本更新会持续在该帖同步

如果下载仍有问题，请检查网络连接或尝试使用国内网络环境。

rongqiang.ma · 2026 年6 月 28 日 23:13

下载完离线包怎么用呢保姆教程

地瓜小助手_bot · 2026 年6 月 28 日 23:13

Docker 离线包使用教程

下载完成后，按以下步骤操作：

步骤 1：导入镜像

# 进入下载目录
cd ~/Downloads  # 或你的下载路径

# 导入镜像
docker load -i docker_openexplorer_ubuntu_20_x5_cpu_v1.2.8.tar.gz

成功会显示：

Loaded image: registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8

步骤 2：验证镜像

# 查看镜像是否导入成功
docker images | grep ai_toolchain

步骤 3：运行容器

# 创建并进入容器（挂载当前目录）
docker run -it --name x5_dev \
  -v $(pwd):/workspace \
  -w /workspace \
  registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8 \
  bash

参数说明：

-it：交互式终端
--name x5_dev：容器命名
-v $(pwd):/workspace：挂载当前目录到容器内 /workspace
-w /workspace：进入容器后的工作目录

步骤 4：验证工具链

进入容器后，检查核心工具：

# 检查 hb_mapper（模型转换工具）
hb_mapper --version

# 检查 hb_model_convertor
hb_model_convertor --version

# 检查 Python 版本
python3 --version

# 检查地平线相关包
pip list | grep horizon

步骤 5：常用操作

# 退出容器（不删除）
exit

# 再次进入已创建的容器
docker start -i x5_dev

# 删除容器（需要时重新创建）
docker rm x5_dev

# 查看容器列表
docker ps -a

步骤 6：典型工作流示例

# 1. 在宿主机准备模型文件
mkdir -p ~/x5_project/models
cp your_model.onnx ~/x5_project/models/

# 2. 启动容器并挂载项目目录
docker run -it --name x5_dev \
  -v ~/x5_project:/workspace \
  -w /workspace \
  registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8 \
  bash

# 3. 在容器内进行模型转换
cd /workspace/models
hb_mapper convert --model your_model.onnx --output output_dir

# 4. 转换完成后，文件会同步到宿主机的 ~/x5_project/models/output_dir

常见问题

问题	解决方案
`docker load` 报错	检查文件是否完整下载，重新下载
容器内无法访问外网	Docker 默认可以，检查宿主机网络
挂载目录权限问题	在宿主机用 `chmod 777` 设置目录权限
容器退出后数据丢失	使用 `-v` 挂载宿主机目录，数据会保留

快捷脚本（可选）

创建 start_x5_docker.sh：

#!/bin/bash
docker run -it --rm \
  -v $(pwd):/workspace \
  -w /workspace \
  registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8 \
  bash

chmod +x start_x5_docker.sh
./start_x5_docker.sh  # 一键启动

提示： 容器内的 /workspace 目录与宿主机当前目录同步，所有修改会实时保存。建议将项目代码放在独立目录中挂载使用。

rongqiang.ma · 2026 年6 月 28 日 23:30

这个指令书进去显示not found

地瓜小助手_bot · 2026 年6 月 28 日 23:30

问题原因

hb_model_convertor 是 X3 平台的旧命令，X5 平台使用的是 hb_mapper。

这是两个不同平台的工具链，命令不通用：

RDK X3 → 使用 hb_model_convertor
RDK X5 → 使用 hb_mapper

正确的验证命令

在容器内执行以下命令验证工具链：

# 核心工具（X5 平台）
hb_mapper --version

# 查看 hb_mapper 帮助
hb_mapper --help

# 查看子命令
hb_mapper convert --help

X5 工具链主要命令

功能	X5 命令	说明
模型转换	`hb_mapper convert`	ONNX → BPU 模型
模型检查	`hb_mapper checker`	检查模型兼容性
量化校准	`hb_mapper quant`	PTQ 量化
查看版本	`hb_mapper --version`	显示工具链版本

完整验证步骤

# 1. 进入容器
docker run -it --name x5_dev \
  -v $(pwd):/workspace \
  -w /workspace \
  registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8 \
  bash

# 2. 验证核心工具
hb_mapper --version

# 3. 检查 Python 环境
python3 --version
pip3 list | grep horizon

# 4. 查看工具链文档
hb_mapper --help

典型使用流程（X5）

# 模型转换示例
hb_mapper convert \
  --model your_model.onnx \
  --output-dir output \
  --config x5_config.json

# 量化示例
hb_mapper quant \
  --model your_model.onnx \
  --calibration-data ./calib_data \
  --output-dir quant_output

如果 `hb_mapper` 也找不到

如果连 hb_mapper 都显示 not found，可能是：

环境变量未生效：

source /opt/horizon/hb_env.sh
hb_mapper --version

检查安装路径：
```
which hb_mapper
ls /opt/horizon/
```

重新确认镜像：

docker images | grep ai_toolchain
# 确认是 x5_cpu 镜像，不是 xj3（X3）镜像

总结：X5 开发请用 hb_mapper，忘记 hb_model_convertor 这个命令。如果还有问题，把容器内的 hb_mapper --version 输出发出来，我帮你确认工具链是否正常。

rongqiang.ma · 2026 年6 月 28 日 23:37

核心工具（X5 平台）

hb_mapper --version

查看 hb_mapper 帮助

hb_mapper --help

查看子命令

hb_mapper convert --help
这些我都执行验证成功了后面我怎么用这个工具链呢保姆教程

地瓜小助手_bot · 2026 年6 月 28 日 23:38

RDK X5 工具链完整使用教程（保姆级）

既然 hb_mapper 已验证成功，下面给你从模型到板端部署的完整流程：

一、准备工作

1. 在宿主机准备项目目录

# 创建项目目录
mkdir -p ~/x5_project/{models,onnx,config,output}
cd ~/x5_project

# 准备你的 ONNX 模型（放到 onnx 目录）
cp your_model.onnx ~/x5_project/onnx/

2. 启动 Docker 容器

docker run -it --name x5_dev \
  -v ~/x5_project:/workspace \
  -w /workspace \
  registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8 \
  bash

二、模型转换流程

步骤 1：检查模型兼容性

cd /workspace/onnx

# 检查模型是否支持 X5 BPU
hb_mapper checker \
  --model your_model.onnx \
  --output-dir ../output/check_result

查看 ../output/check_result 下的检查报告，确认：

算子是否都支持
是否有算子需要 CPU fallback
是否有不支持的算子

步骤 2：创建转换配置文件

在 /workspace/config 下创建 x5_config.json：

{
  "model_parameters": {
    "input_name": ["input"],
    "input_shape": [[1, 3, 640, 640]],
    "input_type": ["uint8"],
    "output_name": ["output"]
  },
  "compiler_parameters": {
    "target_chip": "X5",
    "core_type": "BPU",
    "optimization_level": 2
  }
}

参数说明：

input_name：模型输入节点名（用 netron 查看 ONNX 结构）
input_shape：输入形状 [batch, channel, height, width]
input_type：输入数据类型（uint8/float32）
target_chip：目标芯片（X5）

步骤 3：执行模型转换

cd /workspace

# 转换模型
hb_mapper convert \
  --model onnx/your_model.onnx \
  --config config/x5_config.json \
  --output-dir output/converted

成功后会生成：

output/converted/your_model.bin（BPU 模型文件）
output/converted/your_model.prototxt（模型描述文件）

三、量化流程（PTQ）

如果需要量化（推荐，提升推理速度）：

步骤 1：准备校准数据

# 创建校准数据目录
mkdir -p /workspace/calib_data/images

# 放入 100-500 张代表性图片（jpg/png 格式）
# 图片应与实际推理场景一致

步骤 2：创建量化配置文件

/workspace/config/quant_config.json：

{
  "model_parameters": {
    "input_name": ["input"],
    "input_shape": [[1, 3, 640, 640]],
    "input_type": ["uint8"],
    "output_name": ["output"]
  },
  "compiler_parameters": {
    "target_chip": "X5",
    "core_type": "BPU",
    "optimization_level": 2
  },
  "quantization_parameters": {
    "calibration_data_dir": "/workspace/calib_data/images",
    "calibration_method": "minmax",
    "quantization_type": "asymmetric"
  }
}

步骤 3：执行量化

hb_mapper quant \
  --model onnx/your_model.onnx \
  --config config/quant_config.json \
  --output-dir output/quantized

四、板端部署

步骤 1：传输文件到 X5 板子

# 在宿主机执行（退出容器后）
# 将转换后的模型文件传到 X5 板子
scp -r ~/x5_project/output/converted user@x5_ip:/home/user/models/

或者用 U 盘拷贝：

your_model.bin
your_model.prototxt

步骤 2：在 X5 板子上推理

X5 板子上需要安装 Horizon ROS2 包 或使用 hb_rt 推理库：

# 在 X5 板子上
cd /home/user/models

# 使用 hb_rt 推理（需要安装 runtime）
hb_rt --model your_model.bin --input input.jpg --output result.jpg

或者用 C++/Python SDK：

# 示例：Python 推理
from horizon_inference import BpuPredictor

predictor = BpuPredictor("your_model.bin")
result = predictor.predict(input_image)

五、完整示例（YOLO 检测）

参考社区教程：RDK YOLO Toolkit

# 1. 准备 YOLO ONNX 模型
cd /workspace/onnx
# 从 Ultralytics 导出：yolo export model=yolov8n.onnx

# 2. 检查模型
hb_mapper checker --model yolov8n.onnx --output-dir ../output/check

# 3. 创建 X5 配置文件
cat > /workspace/config/yolo_config.json << 'EOF'
{
  "model_parameters": {
    "input_name": ["images"],
    "input_shape": [[1, 3, 640, 640]],
    "input_type": ["uint8"],
    "output_name": ["output0"]
  },
  "compiler_parameters": {
    "target_chip": "X5",
    "core_type": "BPU"
  }
}
EOF

# 4. 转换模型
hb_mapper convert \
  --model onnx/yolov8n.onnx \
  --config config/yolo_config.json \
  --output-dir output/yolo_converted

# 5. 量化（可选）
hb_mapper quant \
  --model onnx/yolov8n.onnx \
  --config config/yolo_config.json \
  --output-dir output/yolo_quantized

六、常用命令速查

命令	说明
`hb_mapper --help`	查看帮助
`hb_mapper checker`	模型兼容性检查
`hb_mapper convert`	模型转换
`hb_mapper quant`	PTQ 量化
`hb_mapper dump`	导出中间结果
`netron model.onnx`	查看 ONNX 结构（需安装 netron）

七、问题排查

# 1. 查看工具链版本
hb_mapper --version

# 2. 查看支持的算子
hb_mapper op_list --target_chip X5

# 3. 详细日志
hb_mapper convert --log_level debug ...

# 4. 查看转换报告
cat output/converted/report.json

八、推荐学习资源

资源	链接
官方工具链汇总帖	版本发布汇总
YOLO 部署教程	RDK YOLO Toolkit
AI Agent 量化部署	Skill 分享
官方文档	RDK DOC

下一步建议：

先用一个简单的 ONNX 模型（如 ResNet）跑通全流程
再尝试你的实际模型
遇到问题把 hb_mapper 的报错信息发到社区

需要我针对某个具体模型（如 YOLO、分类、分割）给更详细的配置吗？

rongqiang.ma · 2026 年6 月 28 日 23:57

官方提供可转换的模型吗我想下载进行学习最好是yolo模型

地瓜小助手_bot · 2026 年6 月 28 日 23:58

官方 YOLO 模型资源获取

结论：官方提供完整的 YOLO 模型示例和转换脚本，推荐直接下载 rdk_model_zoo 仓库。

方式 1：下载官方 Model Zoo（推荐）

# 克隆官方仓库（包含 YOLOv5/v8/v11/YOLO26 等完整示例）
git clone https://github.com/D-Robotics/rdk_model_zoo.git

# 进入 X5 目录
cd rdk_model_zoo/samples/vision/

仓库结构：

rdk_model_zoo/
├── samples/vision/
│   ├── ultralytics_yolo/      # YOLOv5/v8/v9/v10/v11 支持
│   │   ├── model/             # 预训练模型和配置文件
│   │   ├── tools/             # 导出脚本 (export_monkey_patch.py)
│   │   └── runtime/           # 板端推理代码
│   └── ultralytics_yolo26/    # YOLO26 系列支持

方式 2：直接下载预转换模型（快速学习）

根据社区最新信息，官方提供部分预转换的 .bin 模型：

# YOLO11n 姿态检测模型示例
wget https://archive.d-robotics.cc/downloads/rdk_model_zoo/rdk_x5/yolo11n_pose_bayese_640x640_nv12_modified.bin

注意： 预转换模型有限，建议学习完整转换流程。

方式 3：使用官方 Skill 工具（最省事）

社区大神制作了 RDK YOLO Toolkit，可以一键完成：

YOLO 训练 → ONNX 导出 → BPU 量化 → 板端部署

下载 Skill：

附件：RDK_YOLO_Toolkit_v1.0.zip
或访问：Skill Hub

保姆级学习路径（推荐新手）

第 1 步：获取示例模型

# 1. 克隆仓库
git clone https://github.com/D-Robotics/rdk_model_zoo.git
cd rdk_model_zoo/samples/vision/ultralytics_yolo

# 2. 查看官方示例
ls -la model/  # 里面有配置文件和脚本

第 2 步：下载预训练 YOLO 模型

# 从 Ultralytics 下载官方预训练模型（以 YOLOv11s 为例）
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11s.pt

# 或者用 Python 下载
python3 -c "from ultralytics import YOLO; YOLO('yolo11s.pt')"

第 3 步：在 Docker 中转换模型

# 1. 启动 X5 Docker 容器
docker run -it --name x5_yolo \
  -v $(pwd):/workspace \
  -w /workspace \
  registry.d-robotics.cc/deliver/ai_toolchain_ubuntu_20_x5_cpu:v1.2.8 \
  bash

# 2. 安装 Ultralytics（如果需要导出 ONNX）
pip3 install ultralytics==8.3.0 onnx==1.15.0

# 3. 导出 ONNX（使用官方脚本或自定义）
python3 export_monkey_patch.py --pt yolo11s.pt

# 4. 检查模型
hb_mapper checker \
  --model yolo11s.onnx \
  --output-dir ./check_result

# 5. 量化转换
# 准备校准数据（100 张代表性图片）
mkdir -p calib_data
# 放入图片...

# 执行量化
hb_mapper quant \
  --model yolo11s.onnx \
  --config config/x5_config.json \
  --output-dir ./quantized

第 4 步：板端测试

# 1. 传输文件到 X5 板子
scp yolo11s_bayese_640x640_nv12.bin user@x5_ip:/home/user/models/

# 2. 在板子上运行推理
cd /home/user/models
python3 main.py \
  --model-path yolo11s_bayese_640x640_nv12.bin \
  --test-img test.jpg \
  --label-file coco.names

快速验证：使用官方示例

如果想5 分钟内看到效果，直接跑官方示例：

# 1. 克隆仓库
git clone https://github.com/D-Robotics/rdk_model_zoo.git
cd rdk_model_zoo/samples/vision/ultralytics_yolo

# 2. 查看 README，按步骤执行
cat README.md

# 3. 通常包含：
#    - 预训练模型下载链接
#    - ONNX 导出脚本
#    - 量化配置文件
#    - 板端推理代码

关键资源汇总

资源	链接
官方 Model Zoo	GitHub - rdk_model_zoo
YOLO 全流程教程	RDK YOLO Toolkit
工具链版本汇总	官方发布帖
官方文档	RDK DOC

建议： 先从官方 ultralytics_yolo 示例跑通全流程，再替换成自己的模型和数据。遇到问题可以把 hb_mapper 的报错信息发到社区，或者参考 YOLO Toolkit 教程中的问题排查部分。

需要我帮你整理某个具体 YOLO 版本（v5/v8/v11）的完整转换命令吗？

rongqiang.ma · 2026 年6 月 29 日 03:13

root@3931ba5229ca:/workspace/04_detection/03_yolov5s/mapper# hb_mapper quant \

–model yolov5s.onnx
–model-type onnx
–config yolov5s_config.yaml
ls^C
root@3931ba5229ca:/workspace/04_detection/03_yolov5s/mapper# hb_mapper quant
–model YOLOv5s.onnx
–model-type onnx
–config yolov5s_config.yaml
–output-dir ./check_result
Usage: hb_mapper [OPTIONS] COMMAND [ARGS]…

Error: No such command ‘quant’.这个是什么问题呢

地瓜小助手_bot · 2026 年6 月 29 日 03:14

问题原因

hb_mapper quant 命令不存在！正确的量化编译命令是 hb_mapper makertbin。

这是 RDK X5 OE v1.2.8 工具链的标准用法，量化和编译是合并成一步的。

正确的完整流程

步骤 1：模型检查（你已做过）

hb_mapper checker \
  --model YOLOv5s.onnx \
  --output-dir ./check_result

步骤 2：准备校准数据

# 创建校准数据目录
mkdir -p calib_data

# 放入 20-50 张代表性图片（jpg/png 格式）
# 图片场景应与实际推理场景一致
# 例如：cp /path/to/images/*.jpg calib_data/

步骤 3：创建配置文件（关键！）

创建 yolov5s_config.yaml（注意是 yaml 不是 json）：

model_parameters:
  onnx_model: 'YOLOv5s.onnx'
  march: "bayes-e"  # X5 的 BPU 代号
  output_model_file_prefix: 'yolov5s_bayese_640x640_nv12'
  
  input_parameters:
    input_type_rt: 'nv12'  # 板端输入格式
    input_type_train: 'rgb'  # 训练时输入格式
    input_layout_train: 'NCHW'
    norm_type: 'data_scale'
    scale_value: 0.003921568627451  # 1/255
    mean_value: [0, 0, 0]
  
  calibration_parameters:
    cal_data_dir: './calib_data'
    cal_data_type: 'float32'
    calibration_type: 'default'  # 可选：default/mix/kl/max
    cal_sample_num: 32  # 校准图片数量

compiler_parameters:
  compile_mode: 'latency'
  debug: true
  optimize_level: 'O3'
  jobs: 16

关键字段说明：

march: X5 必须填 bayes-e
input_type_rt: 板端推理输入格式（常用 nv12 或 rgb）
scale_value: 归一化系数，RGB 输入通常是 1/255 = 0.003921568627451
cal_data_dir: 校准数据目录路径
cal_sample_num: 使用的校准图片数量（20-50 张）

步骤 4：执行量化编译（正确命令！）

hb_mapper makertbin \
  --config yolov5s_config.yaml \
  --output-dir ./output

注意：

命令是 makertbin 不是 quant
不需要 --model 参数，模型路径在 yaml 里配置
不需要 --model-type 参数

步骤 5：验证输出

成功后会生成：

output/
├── yolov5s_bayese_640x640_nv12.bin  # 可部署的模型文件
├── yolov5s_bayese_640x640_nv12.prototxt
├── quant_info.json  # 量化精度报告（看 cosine similarity）
└── log/  # 编译日志

检查 quant_info.json 中的 cosine_similarity：

> 0.95: 精度很好
0.8 - 0.95: 可用，但可能需要调优
< 0.8: 精度损失严重，需要排查

完整命令速查

# 1. 检查模型
hb_mapper checker --model YOLOv5s.onnx --output-dir ./check_result

# 2. 量化编译（核心命令）
hb_mapper makertbin --config yolov5s_config.yaml --output-dir ./output

# 3. 查看帮助
hb_mapper makertbin --help

# 4. 查看版本
hb_mapper --version

常见问题排查

问题	解决方案
`calib_data` 格式错误	确保是 jpg/png 图片，不是其他格式
`cosine_similarity` 太低	增加校准图片数量，或换 `calibration_type: mix`
`unsupported op`	查看 `check_result` 报告，某些算子需要 CPU fallback
编译失败	检查 yaml 格式，确保缩进正确

问题原因

hb_mapper makertbin 不支持 --output-dir 参数！

输出目录应该在 yaml 配置文件 中指定，而不是通过命令行参数。

正确的命令格式

# 正确用法（只需要 --config）
hb_mapper makertbin --config yolov5s_config.yaml

修改配置文件

在 yolov5s_config.yaml 中添加 output_dir 字段：

model_parameters:
  onnx_model: 'YOLOv5s.onnx'
  march: "bayes-e"
  output_model_file_prefix: 'yolov5s_bayese_640x640_nv12'
  output_dir: './output'  # ← 在这里指定输出目录
  
  input_parameters:
    input_type_rt: 'nv12'
    input_type_train: 'rgb'
    input_layout_train: 'NCHW'
    norm_type: 'data_scale'
    scale_value: 0.003921568627451
    mean_value: [0, 0, 0]
  
  calibration_parameters:
    cal_data_dir: './calib_data'
    cal_data_type: 'float32'
    calibration_type: 'default'
    cal_sample_num: 32

compiler_parameters:
  compile_mode: 'latency'
  debug: true
  optimize_level: 'O3'
  jobs: 16

完整执行步骤

# 1. 确认配置文件已修改（添加了 output_dir）
cat yolov5s_config.yaml

# 2. 执行量化编译
hb_mapper makertbin --config yolov5s_config.yaml

# 3. 查看输出
ls -la ./output/

命令参数对比

命令	支持的参数
`hb_mapper checker`	`--model`, `--output-dir`
`hb_mapper makertbin`	`--config` (输出目录在 yaml 中配置)

快速验证配置

# 查看 makertbin 的帮助
hb_mapper makertbin --help

# 确认 yaml 中有 output_dir
grep "output_dir" yolov5s_config.yaml

现在执行：

hb_mapper makertbin --config yolov5s_config.yaml

应该就能正常运行了！如果还有报错，把完整错误信息发出来。

rongqiang.ma · 2026 年6 月 29 日 03:24

2026-06-29 11:23:31,657 ERROR Parse ‘calibration_parameters’ failed!
2026-06-29 11:23:31,657 ERROR yaml file parse failed. Please double check your config file inputs
2026-06-29 11:23:31,684 ERROR Cal_data_dir does not exist: /workspace/04_detection/03_yolov5s/mapper/calibration_data_rgb_f32

地瓜小助手_bot · 2026 年6 月 29 日 03:24

问题原因

校准数据目录不存在！

错误信息很明确：

ERROR Cal_data_dir does not exist: /workspace/04_detection/03_yolov5s/mapper/calibration_data_rgb_f32

yaml 配置中 cal_data_dir 指定的目录必须存在且包含校准图片。

解决方案

方案 1：创建校准数据目录（推荐）

# 1. 创建校准数据目录
mkdir -p calibration_data_rgb_f32

# 2. 放入 20-50 张代表性图片（jpg/png 格式）
# 可以从现有数据集中复制，或下载一些测试图片
cp /path/to/your/images/*.jpg calibration_data_rgb_f32/

# 3. 验证目录内容
ls -la calibration_data_rgb_f32/

# 4. 重新执行
hb_mapper makertbin --config yolov5s_config.yaml

方案 2：修改 yaml 中的路径

如果已有校准数据在其他位置，修改 yaml 配置：

calibration_parameters:
  cal_data_dir: './calib_data'  # ← 改为你实际有的目录
  cal_data_type: 'float32'
  calibration_type: 'default'
  cal_sample_num: 32

校准数据要求

要求	说明
格式	jpg / png / bmp 图片
数量	20-50 张（至少 20 张）
内容	应与实际推理场景一致
路径	yaml 中配置的路径必须存在

快速测试（没有校准数据时）

如果暂时没有校准数据，可以先用官方示例图片测试流程：

# 1. 创建目录
mkdir -p calibration_data_rgb_f32

# 2. 下载一些测试图片（示例）
cd calibration_data_rgb_f32
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/bus.jpg -O img_01.jpg
# 重复下载或复制多张图片，至少 20 张

# 3. 回到 mapper 目录
cd /workspace/04_detection/03_yolov5s/mapper

# 4. 重新执行
hb_mapper makertbin --config yolov5s_config.yaml

检查清单

执行前确认：

# 1. 校准目录存在
ls -la calibration_data_rgb_f32/

# 2. 目录内有图片
ls calibration_data_rgb_f32/*.jpg | wc -l  # 应 ≥ 20

# 3. yaml 路径正确
grep "cal_data_dir" yolov5s_config.yaml

# 4. 执行命令
hb_mapper makertbin --config yolov5s_config.yaml

现在请执行：

mkdir -p calibration_data_rgb_f32
# 放入至少 20 张图片后
hb_mapper makertbin --config yolov5s_config.yaml

如果还有报错，把完整错误信息发出来！

rongqiang.ma · 2026 年6 月 29 日 03:30

026-06-29 11:29:46,437 INFO *******************************************
2026-06-29 11:29:46,437 INFO First calibration picture name: COCO_val2014_000000181007.jpg
2026-06-29 11:29:46,437 INFO First calibration picture md5:
43d9736dd359c5b3d024322a9cb7fd78 /workspace/04_detection/03_yolov5s/mapper/calibration_data_rgb_f32/COCO_val2014_000000181007.jpg
2026-06-29 11:29:46,466 INFO *******************************************
2026-06-29 11:29:46,467 ERROR load cal data for input ‘data’ error
2026-06-29 11:29:46,484 ERROR cannot reshape array of size 42546 into shape (1,3,672,672)

地瓜小助手_bot · 2026 年6 月 29 日 03:31

问题原因

校准图片尺寸与 yaml 配置中的 input_shape 不匹配！

错误信息：

ERROR cannot reshape array of size 42546 into shape (1,3,672,672)

工具链期望：(1, 3, 672, 672) = 1,354,752 个像素值
实际图片：只有 42,546 个像素值

YOLOv5 标准输入尺寸是 640x640，不是 672x672！

解决方案

修改 yaml 配置文件

将 input_shape 从 672x672 改为 640x640：

model_parameters:
  onnx_model: 'YOLOv5s.onnx'
  march: "bayes-e"
  output_model_file_prefix: 'yolov5s_bayese_640x640_nv12'
  output_dir: './output'
  
  input_parameters:
    input_name: ['images']  # ← 确认与 ONNX 输入节点名一致
    input_shape: [[1, 3, 640, 640]]  # ← 改为 640x640
    input_type_rt: 'nv12'
    input_type_train: 'rgb'
    input_layout_train: 'NCHW'
    norm_type: 'data_scale'
    scale_value: 0.003921568627451
    mean_value: [0, 0, 0]
  
  calibration_parameters:
    cal_data_dir: './calibration_data_rgb_f32'
    cal_data_type: 'float32'
    calibration_type: 'default'
    cal_sample_num: 32

compiler_parameters:
  compile_mode: 'latency'
  debug: true
  optimize_level: 'O3'
  jobs: 16

确认 ONNX 输入节点名

先检查你的 ONNX 模型实际输入名：

# 方法 1：使用 netron（推荐）
netron YOLOv5s.onnx

# 方法 2：使用 Python
python3 -c "
import onnx
model = onnx.load('YOLOv5s.onnx')
print('输入节点:', [i.name for i in model.graph.input])
print('输入形状:', [i.type.tensor_type.shape.dim for i in model.graph.input])
"

YOLOv5 的输入节点名通常是：

images（Ultralytics 官方导出）
input（某些导出脚本）
data（旧版本）

确保 yaml 中的 input_name 与 ONNX 模型一致！

完整执行流程

# 1. 检查 ONNX 输入
python3 -c "import onnx; m=onnx.load('YOLOv5s.onnx'); print([i.name for i in m.graph.input])"

# 2. 修改 yaml（input_shape 和 input_name）
vim yolov5s_config.yaml

# 3. 确认校准图片存在
ls calibration_data_rgb_f32/*.jpg | wc -l  # 应 ≥ 20

# 4. 重新执行
hb_mapper makertbin --config yolov5s_config.yaml

常见输入节点名对照

YOLO 版本	输入节点名	标准尺寸
YOLOv5	`images`	640x640
YOLOv8	`images`	640x640
YOLOv11	`images`	640x640
旧版导出	`input` / `data`	640x640

现在请执行：

# 1. 确认输入节点名
python3 -c "import onnx; m=onnx.load('YOLOv5s.onnx'); print([i.name for i in m.graph.input])"

# 2. 修改 yaml 后重新运行
hb_mapper makertbin --config yolov5s_config.yaml

把 ONNX 输入节点名和新的报错信息发出来，我帮你确认配置！

rongqiang.ma · 2026 年6 月 29 日 03:37

yolov5s_config (copy).txt (10.5 KB)这个是你官方包我应该怎么修改呢

地瓜小助手_bot · 2026 年6 月 29 日 03:37

官方配置文件修改指南

看了你上传的官方配置文件，只需要修改 3 个关键地方 就能解决报错：

修改位置 1：输入形状（第 12 行左右）

原配置：

input_shape: [[1, 3, 672, 672]]

改为：

input_shape: [[1, 3, 640, 640]]  # YOLOv5 标准尺寸是 640

修改位置 2：输入节点名（第 11 行左右）

原配置可能是：

input_name: ['data']  # 或 ['input']

先确认你的 ONNX 实际输入名：

python3 -c "import onnx; m=onnx.load('YOLOv5s.onnx'); print([i.name for i in m.graph.input])"

然后改为对应的名字（通常是）：

input_name: ['images']  # YOLOv5 官方导出的输入节点名

修改位置 3：校准数据目录（第 23 行左右）

原配置：

cal_data_dir: './calibration_data_rgb_f32'

确认这个目录存在且有图片：

# 检查目录
ls -la calibration_data_rgb_f32/

# 如果没有，创建并放入图片
mkdir -p calibration_data_rgb_f32
cp /path/to/images/*.jpg calibration_data_rgb_f32/  # 至少 20 张

快速修改命令（一键执行）

# 1. 确认 ONNX 输入节点名
INPUT_NAME=$(python3 -c "import onnx; m=onnx.load('YOLOv5s.onnx'); print(m.graph.input[0].name)")
echo "输入节点名：$INPUT_NAME"

# 2. 备份原配置
cp yolov5s_config.yaml yolov5s_config.yaml.bak

# 3. 修改 input_shape（672→640）
sed -i 's/672, 672/640, 640/g' yolov5s_config.yaml

# 4. 修改 input_name（根据实际检测结果）
sed -i "s/input_name: \['.*'\]/input_name: ['$INPUT_NAME']/g" yolov5s_config.yaml

# 5. 确认修改
grep -E "input_name|input_shape" yolov5s_config.yaml

# 6. 执行量化
hb_mapper makertbin --config yolov5s_config.yaml

修改后的关键配置段

model_parameters:
  onnx_model: 'YOLOv5s.onnx'
  march: "bayes-e"
  output_model_file_prefix: 'yolov5s_bayese_640x640_nv12'
  output_dir: './output'
  
  input_parameters:
    input_name: ['images']      # ← 根据 ONNX 实际输入名修改
    input_shape: [[1, 3, 640, 640]]  # ← 必须改 640
    input_type_rt: 'nv12'
    input_type_train: 'rgb'
    input_layout_train: 'NCHW'
    norm_type: 'data_scale'
    scale_value: 0.003921568627451
    mean_value: [0, 0, 0]
  
  calibration_parameters:
    cal_data_dir: './calibration_data_rgb_f32'  # ← 确保目录存在
    cal_data_type: 'float32'
    calibration_type: 'default'
    cal_sample_num: 32

执行前检查清单

# ✅ 1. 校准目录存在且有图片
ls calibration_data_rgb_f32/*.jpg | wc -l  # 应 ≥ 20

# ✅ 2. 输入节点名匹配
python3 -c "import onnx; m=onnx.load('YOLOv5s.onnx'); print(m.graph.input[0].name)"

# ✅ 3. yaml 中 input_shape 是 640
grep "input_shape" yolov5s_config.yaml

# ✅ 4. 执行
hb_mapper makertbin --config yolov5s_config.yaml

先执行第 1 步确认输入节点名，把输出发给我，我帮你确认配置是否正确！

步骤	内容	耗时
1	下载 `rdk_model_zoo` 仓库	5 分钟
2	跑通官方 YOLOv5/v8 示例	30 分钟
3	用自己的数据训练 YOLO	1-2 小时
4	导出 ONNX + 量化转换	30 分钟
5	板端部署 + ROS2 集成	1 小时

资源	链接
量化部署 Skill（含完整决策树）	rdk-x5-toolchain-quantization
YOLO 全流程教程	RDK YOLO Toolkit
官方工具链汇总	版本发布帖

x5 cpu docker提取下载问题

问题分析

正确下载方式

方式 1：直接下载离线包（推荐）

方式 2：通过 Docker Registry 拉取

方式 3：下载完整 OE SDK 包（包含工具链）

建议

Docker 离线包使用教程

步骤 1：导入镜像

步骤 2：验证镜像

步骤 3：运行容器

步骤 4：验证工具链

步骤 5：常用操作

步骤 6：典型工作流示例

常见问题

快捷脚本（可选）

问题原因

正确的验证命令

X5 工具链主要命令

完整验证步骤

典型使用流程（X5）

如果 hb_mapper 也找不到

核心工具（X5 平台）

查看 hb_mapper 帮助

查看子命令

RDK X5 工具链完整使用教程（保姆级）

一、准备工作

1. 在宿主机准备项目目录

2. 启动 Docker 容器

二、模型转换流程

步骤 1：检查模型兼容性

步骤 2：创建转换配置文件

步骤 3：执行模型转换

三、量化流程（PTQ）

步骤 1：准备校准数据

步骤 2：创建量化配置文件

步骤 3：执行量化

四、板端部署

步骤 1：传输文件到 X5 板子

步骤 2：在 X5 板子上推理

五、完整示例（YOLO 检测）

六、常用命令速查

七、问题排查

八、推荐学习资源

官方 YOLO 模型资源获取

方式 1：下载官方 Model Zoo（推荐）

方式 2：直接下载预转换模型（快速学习）

方式 3：使用官方 Skill 工具（最省事）

保姆级学习路径（推荐新手）

第 1 步：获取示例模型

第 2 步：下载预训练 YOLO 模型

第 3 步：在 Docker 中转换模型

第 4 步：板端测试

快速验证：使用官方示例

推荐学习顺序

关键资源汇总

问题原因

正确的完整流程

步骤 1：模型检查（你已做过）

步骤 2：准备校准数据

步骤 3：创建配置文件（关键！）

步骤 4：执行量化编译（正确命令！）

步骤 5：验证输出

完整命令速查

常见问题排查

推荐学习资源

问题原因

正确的命令格式

修改配置文件

完整执行步骤

命令参数对比

快速验证配置

问题原因

解决方案

方案 1：创建校准数据目录（推荐）

方案 2：修改 yaml 中的路径

校准数据要求

快速测试（没有校准数据时）

检查清单

问题原因

如果 `hb_mapper` 也找不到