1. 环境准备与数据配置
第一次拿到地平线旭日X3开发板时,最让我头疼的就是环境配置问题。这块板子的BPU架构对软件版本有严格要求,稍有不慎就会导致后续步骤全盘失败。经过多次尝试,我总结出一套稳定可复现的环境搭建方法。
首先需要准备Ubuntu 18.04或20.04系统,这是地平线工具链兼容性最好的环境。我强烈建议使用物理机安装而非虚拟机,因为后续的Docker容器和BPU驱动对硬件直通有特殊要求。我的配置是i7-10700K+RTX 3060主机,实际测试发现CPU性能会影响模型转换速度。
关键工具链安装顺序很重要:
- 安装Anaconda3-2021.05版本(Python 3.8)
- 创建专属虚拟环境:
conda create -n horizon python=3.6 - 安装PyTorch 1.7.1+cu110:
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 -f https://download.pytorch.org/whl/torch_stable.html
数据集准备有个容易踩的坑——标注文件格式。虽然YOLOv5支持多种标注格式,但为了后续BPU量化时减少麻烦,建议统一使用YOLO格式的txt文件。我的项目需要检测5类工业零件,目录结构是这样组织的:
code复制dataset/
├── images/
│ ├── train/
│ └── val/
└── labels/
├── train/
└── val/
每个图片文件都对应一个同名的txt标注文件,内容格式为class_id x_center y_center width height,所有坐标值需要归一化到0-1之间。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. YOLOv5模型训练技巧
选择YOLOv5-2.0版本是经过实际测试的明智之选。虽然最新版v7.0性能更好,但X3的BPU对v2.0的算子支持最完善。训练时有几个关键参数需要特别注意:
在models/yolov5s.yaml中,将nc改为你的实际类别数。我遇到过一个隐蔽的bug:当类别数超过10时,需要同步修改utils/loss.py中的BCEWithLogitsLoss初始化参数,否则会导致训练los
