x5 cpu docker提取下载问题

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

---

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

---

下一步建议：

1. 先用一个简单的 ONNX 模型（如 ResNet）跑通全流程
2. 再尝试你的实际模型
3. 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？