企业官网建设流程全解析

通俗大白话总结

先打个比方： 你买了地平线 RDK X5 开发板，有自己写好的模型或开源的模型，如YOLO，想在目标板上跑YOLO、目标检测这类 AI 模型。

注意：与PC端不同，可以自己利用YOLO的工程，直接在通用的CPU和GPU上运行YOLO模型。然而，在嵌入式开发板上，就不能这么顺利了，YOLO的ONNX模型无法在专用硬件平台上运行！！！

没有 RDK Model Zoo：你相当于拿到一堆零散零件，没有说明书。你得自己到处查资料，搞清楚模型怎么转、用什么命令、图片要什么格式、代码怎么写，到处踩坑，反复试错。

有 RDK Model Zoo：相当于厂商给你一套装好配件、能直接开机的标准样板套件。里面模型、转换脚本、运行代码全套配齐，拿来就能跑；你照着样板，改一改就能换成自己的算法。

它核心解决 4 大类现实痛点，附带真实踩坑示例

1. 痛点 1：整条 AI 部署链路太长，到处是坑，没人给标准答案

完整流程：训练模型 → 导出 ONNX →PC 量化编译→ 开发板加载推理 → 图像预处理 → 后处理解析结果

举例：

新手导出 ONNX，随便丢给工具转换，结果编译报错；

就算编译出 bin，放到板子上推理，识别结果完全错乱。

原因：不知道导出时要固定维度、不知道校准集怎么选、分不清归一化该写在 CPU 还是模型内部。

✅ Model Zoo 怎么解决： 每个算法（YOLOv8、分割、姿态估计）自带一套完整流水线： 导出示范脚本 + 量化配置 yaml + 板端推理代码。 你不用盲猜参数，直接复制模板修改。

2. 痛点 2：地平线硬件不互通，极易拿错模型、代码

前面重点研究过： RDK X3 的.bin不能在 X5 运行；X5 只用.bin，不能跑车载.hbm；X3 和 X5 推理 API 还不一样。

举例：

有人从网上下载 X3 的 YOLO 模型，直接拷贝到 X5 开发板，运行直接报错模型解析失败，折腾半天找不到原因。

✅ Model Zoo 怎么解决： 用 Git 分支严格分开：rdk_x3、rdk_x5

• 切 X5 分支：配套 X5 代码、X5 专用预编译 bin；
• 切 X3 分支：配套 X3 代码、X3 专用预编译 bin；
• 还提供 download.sh 脚本，自动下载适配当前硬件的模型，从源头避免模型混用。

3. 痛点 3：图像格式、前后处理不匹配，精度对不齐（最常见）

地平线摄像头原生输出 NV12 图像。

很多人直接用RGB 格式喂模型，画面还要额外转换，速度变慢；

更麻烦：PC 上模型识别正常，放到开发板识别效果变差、框歪。

大多是预处理逻辑不一致。

举例： 训练代码里归一化x/255，部署时忘记加上；或者缩放图像用了不同插值方式，最终检测效果大打折扣。

✅ Model Zoo 怎么解决： 所有 Demo 统一规范： 图片色域缩放、变换在 CPU 处理；量化参数封进模型；YOLO 解码、NMS 后处理提供标准实现。 形成一套对齐基准，你只需要跟着这套规范写代码，大幅减少精度调优时间。

4. 痛点 4：新手没有 “可运行样板”，无从下手

刚拿到开发板，环境装好了，但是不知道写什么代码验证 BPU 能不能正常工作。

网上片段代码残缺不全，缺模型、缺配置，复制下来根本跑不通。

✅ Model Zoo 怎么解决： 极简上手路径：

plaintext

克隆仓库 → 切换对应硬件分支 → 运行脚本下载预编译好的.bin模型 → 一行命令启动推理

不用自己编译模型，几分钟就能看到 AI 检测画面，快速验证硬件环境是否正常。

补充：Model Zoo 解决不了什么（避免期望过高）

1. 不能把 X3 模型一键转换成 X5 模型，仍然需要原始 ONNX 重新编译；
2. 不提供网络训练代码，只管【训练完成之后的部署环节】；
3. 只支持主流开源模型，极度自定义的特殊网络，仍需要自己改造转换脚本；
4. RDK X5 版本不支持车载.hbm模型。

概括

RDK Model Zoo 是地平线为 RDK 系列开发板提供的标准化 AI 部署样例仓库。

它解决开发者缺少完整工程样板、模型转换参数无参考、不同硬件平台代码与模型混用、前后处理逻辑难以对齐等一系列落地难题。 开发者可以直接运行仓库内现成算法案例验证硬件平台，也可以复用仓库里的模型转换配置、推理代码模板，快速迁移自研 AI 算法到开发板上，减少大量重复试错工作。