reCamera 的 YOLO11n 模型转换：完整指南

简介

为什么需要模型转换

reCamera 系列设备是由 Sophgo CV181x 芯片驱动的边缘 AI 摄像头，该芯片使用专用的张量处理单元（TPU）进行机器学习推理。与通用 CPU 或 GPU 不同，TPU 需要模型采用针对其架构优化的特定格式。

转换的关键原因：

硬件优化：CV181x 芯片使用 INT8 量化而非 FP32，将模型大小减少约 75%，推理速度提升 4-8 倍
内存限制：reCamera 设备的 RAM 有限（256MB-512MB），需要压缩模型
功耗效率：TPU 优化的模型比 CPU/GPU 替代方案消耗的功耗显著更低
实时性能：边缘设备需要低于 100ms 的推理时间才能满足实际应用需求

关于 reCamera 硬件

reCamera 系列包括多个变体，均基于 Sophgo CV181x SoC 构建：

reCamera Default：基础型号，配备 2MP 传感器，USB-C 连接
reCamera Microscope：专为近距离成像设计，配备可更换镜头
reCamera HD POE：更高分辨率，支持以太网供电
reCamera Gimbal：电动云台，具备物体跟踪功能

技术规格：

处理器：Sophgo CV181x（RISC-V + TPU）
AI 性能：0.5 TOPS INT8
内存：256MB DDR3
存储：16MB SPI Flash + microSD
支持格式：CVI 模型（Sophgo 专有格式）

转换挑战

YOLO11n 模型通常在 PyTorch 中训练并导出为 ONNX 格式。然而，reCamera 的 CV181x 芯片无法直接运行 ONNX 模型。转换过程包括：

模型架构转换：将 ONNX 转换为 MLIR（多级中间表示）
量化：将 FP32 权重转换为 INT8，同时保持精度
硬件优化：为 TPU 加速调整层操作
格式转换：创建最终的 CVI 模型格式

了解硬件限制

内存限制

模型大小限制：实际部署通常为 8-16MB
输入分辨率：YOLO11n 通常为 640x640，以平衡精度和性能
批处理大小：由于内存限制，限制为 1

处理限制

支持的操作：并非所有 ONNX 操作都有 TPU 等效操作
精度损失：INT8 量化可能会降低 1-3% 的精度
推理速度：目标是根据模型复杂度达到 10-30 FPS

为什么标准 ML 框架不起作用

TensorFlow/PyTorch：专为 x86/ARM CPU 和 NVIDIA GPU 设计
ONNX Runtime：缺乏 CV181x 后端支持
TensorRT：NVIDIA 专用，与 Sophgo 硬件不兼容

先决条件

所需知识

基本的 Linux 命令行操作
了解 Docker 容器
熟悉 YOLO 模型架构
云部署的基本网络概念

所需软件

Docker Desktop（用于本地开发）
SSH 客户端（macOS 上的 Terminal，Windows 上的 PuTTY）
用于云服务提供商管理的网页浏览器
用于配置文件的文本编辑器

所需文件

ONNX 格式的训练好的 YOLO11n 模型
100 张校准图像（代表您的数据集）
1 张测试图像用于验证

云服务提供商设置选项

由于转换过程需要 Linux 和特定的工具链，云服务提供商提供了最可靠的环境。以下是主要提供商的设置指南：

选项 1：DigitalOcean（推荐初学者使用）

优势：简单界面，可预测的定价，良好的文档

设置步骤：

在 digitalocean.com 创建 DigitalOcean 账户
使用以下规格创建新的 Droplet：
- 镜像：Ubuntu 22.04 LTS
- 计划：基础，4GB RAM，2 vCPU（$24/月，使用后可删除）
- 区域：选择离您最近的位置
- 身份验证：SSH 密钥（推荐）或密码
SSH 连接：
```
ssh root@your_droplet_ip
```

安装依赖项：

apt update && apt upgrade -y
apt install -y docker.io git wget
systemctl start docker
systemctl enable docker

预估成本：转换过程 $0.50-2.00（如果使用后立即删除）

选项 2：AWS EC2

优势：最全面的云平台，提供免费套餐

设置步骤：

在 aws.amazon.com 创建 AWS 账户
启动 EC2 实例：
- AMI：Ubuntu Server 22.04 LTS
- 实例类型：t3.medium（2 vCPU，4GB RAM）
- 安全组：允许来自您 IP 的 SSH（端口 22）

SSH 连接：

ssh -i your-key.pem ubuntu@your-instance-ip

安装依赖项：

sudo apt update && sudo apt upgrade -y
sudo apt install -y docker.io git wget
sudo systemctl start docker
sudo systemctl enable docker
sudo usermod -aG docker ubuntu

预估成本：转换过程 $0.10-0.50（t3.medium 定价）

选项 3：Google Cloud Platform

优势：新用户可获得 $300 免费积分，性能出色

设置步骤：

在 cloud.google.com 创建 GCP 账户
创建 Compute Engine 实例：
- 机器类型：e2-standard-2（2 vCPU，8GB RAM）
- 启动磁盘：Ubuntu 22.04 LTS，20GB
- 防火墙：允许 HTTP/HTTPS 流量
通过浏览器 SSH（内置终端）或使用 gcloud CLI

安装依赖项：

sudo apt update && sudo apt upgrade -y
sudo apt install -y docker.io git wget
sudo systemctl start docker
sudo systemctl enable docker
sudo usermod -aG docker $USER

预估成本：使用积分免费，否则约 $0.20-0.60 用于转换

选项 4：Microsoft Azure

优势：与 Windows 生态系统良好集成，学生折扣

设置步骤：

在 azure.microsoft.com 创建 Azure 账户
创建虚拟机：
- 镜像：Ubuntu Server 22.04 LTS
- 大小：Standard_B2s（2 vCPU，4GB RAM）
- 身份验证：SSH 公钥
SSH 连接：
```
ssh azureuser@your-vm-ip
```

安装依赖项：

sudo apt update && sudo apt upgrade -y
sudo apt install -y docker.io git wget
sudo systemctl start docker
sudo systemctl enable docker
sudo usermod -aG docker azureuser

预估成本：转换过程约 $0.30-0.80

选项 5：阿里云

优势：在亚洲地区影响力强，价格有竞争力

设置步骤：

在 alibabacloud.com 创建账户
创建 ECS 实例：
- 镜像：Ubuntu 22.04 64 位
- 实例类型：ecs.t6-c1m2.large（2 vCPU，4GB RAM）
- 安全组：允许 SSH（22/22）
SSH 连接：
```
ssh root@your-ecs-ip
```

安装依赖项：

apt update && apt upgrade -y
apt install -y docker.io git wget
systemctl start docker
systemctl enable docker

预估成本：转换过程约 $0.20-0.50

选项 6：腾讯云

优势：适合中国用户，价格实惠

设置步骤：

在 intl.cloud.tencent.com 创建账户
创建 CVM 实例：
- 镜像：Ubuntu Server 22.04 LTS 64 位
- 型号：S5.MEDIUM4（2 vCPU，4GB RAM）
- 安全组：允许 SSH（端口 22）
SSH 连接：
```
ssh ubuntu@your-cvm-ip
```

安装依赖项：

sudo apt update && sudo apt upgrade -y
sudo apt install -y docker.io git wget
sudo systemctl start docker
sudo systemctl enable docker
sudo usermod -aG docker ubuntu

预估成本：转换过程约 $0.15-0.40

逐步转换过程

步骤 1：准备您的环境

通过 SSH 连接到您的云实例

设置 TPU-MLIR 环境：

# Pull the official TPU-MLIR Docker image
docker pull sophgo/tpuc_dev:v3.1

# Create working directory
mkdir ~/yolo_conversion && cd ~/yolo_conversion

# Start Docker container
docker run --privileged --name tpu_converter -v $PWD:/workspace -it sophgo/tpuc_dev:v3.1

在容器内安装 TPU-MLIR 工具：

pip install tpu_mlir[all]==1.7

# Clone and build TPU-MLIR
git clone -b v1.7 --depth 1 https://github.com/sophgo/tpu-mlir.git
cd tpu-mlir
source ./envsetup.sh
./build.sh

步骤 2：上传您的模型文件

从您的本地机器，将文件上传到云实例：

# Upload ONNX model
scp your_model.onnx user@your-cloud-ip:~/yolo_conversion/

# Upload calibration images (create zip first)
zip -r calibration_images.zip /path/to/calibration/images/
scp calibration_images.zip user@your-cloud-ip:~/yolo_conversion/

# Upload test image
scp test_image.jpg user@your-cloud-ip:~/yolo_conversion/

步骤 3：准备目录结构

在您的云实例内：

# Create required directory structure
mkdir -p model_yolo11n/{COCO2017,image,Workspace}

# Extract and organize files
unzip calibration_images.zip
mv calibration_images/* model_yolo11n/COCO2017/
mv test_image.jpg model_yolo11n/image/test.jpg
mv your_model.onnx model_yolo11n/Workspace/yolo11n.onnx

# Rename calibration images to expected format
cd model_yolo11n/COCO2017/
count=1
for file in *.jpg *.png *.jpeg; do
    if [ -f "$file" ]; then
        mv "$file" "Calibration${count}.jpg"
        ((count++))
        if [ $count -gt 100 ]; then break; fi
    fi
done
cd ../..

步骤 4：进入 Docker 容器并开始转换

# Copy model folder into Docker container
docker cp model_yolo11n tpu_converter:/workspace/tpu-mlir/

# Enter Docker container
docker exec -it tpu_converter /bin/bash

# Navigate to workspace
cd /workspace/tpu-mlir/model_yolo11n/Workspace

步骤 5：模型转换流水线

5.1：ONNX 版本降级

python /workspace/tpu-mlir/downgrade_onnx.py yolo11n.onnx yolo11n_v8.onnx

5.2：将 ONNX 转换为 MLIR

model_transform \
--model_name yolo11n \
--model_def yolo11n_v8.onnx \
--input_shapes "[[1,3,640,640]]" \
--mean "0.0,0.0,0.0" \
--scale "0.0039216,0.0039216,0.0039216" \
--keep_aspect_ratio \
--pixel_format rgb \
--output_names "/model.23/cv2.0/cv2.0.2/Conv_output_0,/model.23/cv3.0/cv3.0.2/Conv_output_0,/model.23/cv2.1/cv2.1.2/Conv_output_0,/model.23/cv3.1/cv3.1.2/Conv_output_0,/model.23/cv2.2/cv2.2.2/Conv_output_0,/model.23/cv3.2/cv3.2.2/Conv_output_0" \
--test_input ../image/test.jpg \
--test_result yolo11n_top_outputs.npz \
--mlir yolo11n.mlir

参数说明：

--model_name：转换流水线中模型的标识符
- 用途：在整个过程中创建一致的命名
- 可以更改：是，使用描述性名称如 "traffic_detection" 或 "person_counter"
- 影响：仅影响内部命名，对性能无影响
--model_def：ONNX 模型文件的路径
- 用途：指定要转换的模型
- 可以更改：是，必须与实际的 ONNX 文件名匹配
- 影响：不同的模型将产生不同的结果
--input_shapes：定义输入张量维度 [batch, channels, height, width]
- 用途：告诉转换器预期的输入图像格式
- 标准值：[[1,3,640,640]] 适用于 YOLO11n
- 可以更改：⚠️ 注意 - 必须与训练分辨率匹配
- 更改的影响：
  - 更小（如 320x320）：推理更快，精度较低
  - 更大（如 1280x1280）：精度更高，速度慢很多，可能超出内存限制
  - 不同宽高比：会扭曲图像，结果较差
--mean：RGB 通道的像素归一化均值
- 用途：将像素值以零为中心（标准预处理）
- 标准值："0.0,0.0,0.0"（无均值减法）
- 可以更改：仅当模型使用不同归一化训练时
- 常见替代值：
  - ImageNet："123.675,116.28,103.53"（如果模型使用 ImageNet 预处理）
  - 自定义：完全匹配训练预处理
--scale：像素归一化缩放因子
- 用途：将像素值从 0-255 范围缩放到 0-1 范围
- 标准值："0.0039216,0.0039216,0.0039216"（等同于 1/255）
- 可以更改：仅当模型期望不同输入范围时
- 更改的影响：
  - 错误的缩放值会导致模型完全失效
  - 必须与模型训练时完全匹配
--keep_aspect_ratio：在调整大小时保持图像比例
- 用途：通过填充而非拉伸来防止图像扭曲
- 可以更改：是，使用 --no_keep_aspect_ratio 禁用
- 影响：
  - 启用（默认）：精度更好，图像有黑色填充
  - 禁用：稍快，但图像可能扭曲
--pixel_format：颜色通道顺序
- 用途：指定输入使用 RGB 还是 BGR 颜色顺序
- 标准值：rgb 适用于大多数现代模型
- 可以更改：是，如果模型期望 BGR，可改为 bgr
- 错误设置的影响：颜色会交换（红色显示为蓝色等）
--output_names：指定将哪些模型层用作输出
- 用途：告诉转换器哪些层包含检测结果
- YOLO11n 标准：显示的 6 个输出层（3 个尺度 × 每个 2 个头）
- 可以更改：⚠️ 仅限高级用户 - 需要深入的模型知识
- 影响：错误的输出会阻止检测工作
--test_input：验证图像的路径
- 用途：通过比较转换前后的结果来测试转换精度
- 可以更改：是，使用数据集中任何代表性图像
- 建议：使用与部署场景相似的图像
--test_result：验证数据的输出文件
- 用途：存储参考结果以供后续比较
- 可以更改：是，任何以 .npz 结尾的文件名
- 影响：仅影响文件命名
--mlir：输出 MLIR 文件名
- 用途：下一个转换步骤的中间表示
- 可以更改：是，但保持 .mlir 扩展名
- 影响：仅影响文件命名

5.3：生成校准表

run_calibration \
yolo11n.mlir \
--dataset ../COCO2017 \
--input_num 100 \
-o yolo11n_calib_table

参数说明：

yolo11n.mlir：来自上一步的输入 MLIR 模型
- 用途：需要校准数据的模型文件
- 可以更改：必须与步骤 5.2 的输出文件名匹配
- 影响：不同的模型将产生不同的校准表
--dataset：校准图像目录的路径
- 用途：提供代表性图像用于分析激活范围
- 可以更改：是，但必须包含与部署场景相似的图像
- 要求：图像应为 .jpg、.png 或 .bmp 格式
- 质量影响：更多样化、代表性的图像 = 更好的校准
--input_num：使用的校准图像数量
- 用途：确定为统计分析处理多少图像
- 标准值：100（精度与处理时间的良好平衡）
- 可以更改：是，在实际限制内
- 更改的影响：
  - 更少图像（25-50）：校准更快，量化可能不够准确
  - 更多图像（200-500）：校准精度更好，处理时间长很多
  - 太少（<10）：量化较差，精度显著损失
  - 太多（>1000）：收益递减，处理时间很长
-o（输出文件）：校准表文件的名称
- 用途：存储层激活的统计数据用于量化
- 可以更改：是，任何文件名（无需扩展名）
- 影响：仅影响文件名，内容相同

校准过程中发生的事情：

统计分析：每个校准图像都通过模型处理
激活映射：工具记录每层产生的值范围
量化规划：确定如何高效地将 FP32 值映射到 INT8
精度保持：找到最优缩放因子以最小化精度损失

预期输出：此过程需要 5-15 分钟，应显示如下进度：

input_num = 100, ref = 100
real input_num = 100
activation_collect_and_calc_th for op: /model.23/cv3.2/cv3.2.2/Conv_output_0_Conv
[Progress bar showing completion]
auto tune end, run time: XXX seconds

5.4：编译最终 INT8 模型

model_deploy \
--mlir yolo11n.mlir \
--quantize INT8 \
--quant_input \
--processor cv181x \
--calibration_table yolo11n_calib_table \
--test_input ../image/test.jpg \
--test_reference yolo11n_top_outputs.npz \
--customization_format RGB_PACKED \
--fuse_preprocess \
--aligned_input \
--model yolo11n_sym_int8.cvimodel

参数说明：

--mlir：输入 MLIR 模型文件
- 用途：要为 TPU 编译的模型表示
- 可以更改：必须与步骤 5.2 的输出匹配
- 影响：不同的 MLIR 文件将产生不同的最终模型
--quantize：量化精度级别
- 用途：确定模型权重和激活的数值精度
- 标准值：INT8 适用于 reCamera（CV181x TPU 必需）
- 可以更改：CV181x 上选项有限
- 可用选项：
  - INT8：reCamera 必需，体积小 4 倍，速度快 4-8 倍
  - F16：精度更高，体积更大，可能内存不足
  - F32：原始精度，对 reCamera 部署来说太大
--quant_input：量化输入预处理
- 用途：将输入缩放/归一化移至 TPU 以提高效率
- 可以更改：是，省略此标志以保持输入处理在 CPU 上
- 影响：
  - 启用（推荐）：推理更快，TPU 利用率更好
  - 禁用：稍慢，但输入格式更灵活
--processor：目标硬件规格
- 用途：为特定芯片架构优化代码生成
- 标准值：cv181x 适用于所有 reCamera 型号
- 可以更改：⚠️ 绝不更改 - 其他值在 reCamera 上不起作用
- 影响：错误的处理器设置会导致部署失败
--calibration_table：量化参考数据
- 用途：为最优 INT8 转换提供统计数据
- 可以更改：必须与步骤 5.3 的输出文件名匹配
- 影响：不同的校准数据影响模型精度
--test_input：用于精度测试的验证图像
- 用途：验证量化后的模型精度
- 可以更改：是，应代表典型用例
- 建议：使用与步骤 5.2 相同的图像以保持一致性
--test_reference：用于比较的参考输出
- 用途：将量化模型输出与原始 FP32 结果比较
- 可以更改：必须与步骤 5.2 的输出文件名匹配
- 影响：仅用于验证，不影响最终模型
--customization_format：输入数据布局优化
- 用途：为 TPU 处理优化内存布局
- 标准值：RGB_PACKED 适用于图像数据
- 可以更改：仅限高级用户
- 影响：
  - RGB_PACKED：为 RGB 图像优化（推荐）
  - NCHW：标准张量格式，可能较慢
--fuse_preprocess: 将预处理集成到模型中
- 目的: 将图像调整大小/归一化与推理结合
- 可以更改: 是，省略标志以单独处理预处理
- 效果:
  - 启用 (推荐): 单步部署，更好的性能
  - 禁用: 更多灵活性，但需要外部预处理
--aligned_input: 内存对齐优化
- 目的: 确保 TPU 的最佳内存访问模式
- 可以更改: 是，但建议保留以获得性能
- 效果:
  - 启用: 更好的内存带宽利用率
  - 禁用: 可能稍微慢一些
--model: 最终转换模型的输出文件名
- 目的: 为 reCamera 部署创建 .cvimodel 文件
- 可以更改: 是，使用描述性名称如 person_detection.cvimodel
- 要求: 必须以 .cvimodel 扩展名结尾
- 效果: 仅影响文件名

编译过程中发生的事情：

层转换: 每个神经网络层都转换为 TPU 指令
内存优化: 模型权重被安排以实现高效的 TPU 访问
量化应用: FP32 权重使用校准数据转换为 INT8
硬件映射: 操作映射到特定的 TPU 功能单元
验证: 最终模型根据参考输出进行测试

预期输出: 转换应该完成，验证结果显示相似度分数 >99%：

npz compare PASSED
230 compared
230 passed
min_similarity = (0.9999997615814209, 0.9999984392787142, 116.13544464111328)

转换后的性能预期：

模型大小: 3-8MB（相比原始 ONNX 的 20-40MB）
推理速度: 在 reCamera 上 15-30 FPS
准确性: 原始模型性能的 97-99%
内存使用: 推理期间约 10-20MB RAM

步骤 6: 下载转换后的模型

6.1: 退出 Docker 并将文件复制到主机

# Exit Docker container
exit

# Copy converted model from container to host
docker cp tpu_converter:/workspace/tpu-mlir/model_yolo11n/Workspace/yolo11n_sym_int8.cvimodel ./

# Verify file exists and check size (should be 2-10MB)
ls -lh yolo11n_sym_int8.cvimodel

6.2: 下载到本地机器

# From your local machine
scp user@your-cloud-ip:~/yolo_conversion/yolo11n_sym_int8.cvimodel ~/Downloads/

步骤 7: 清理云资源

不要忘记终止您的云实例以避免持续收费！

DigitalOcean: 从控制面板销毁 Droplet
AWS: 终止 EC2 实例
GCP: 删除 Compute Engine 实例
Azure: 删除虚拟机
阿里云/腾讯云: 释放 ECS/CVM 实例

常见问题和故障排除

问题 1: 转换过程中出现"文件未找到"错误

症状:

../image/test.jpg doesn't existed !!!

解决方案:

# Check if file exists and has correct extension
ls -la ../image/
# If file has .img extension, rename it
mv ../image/test.img ../image/test.jpg

问题 2: 移动文件时出现"目录非空"错误

症状:

mv: cannot move 'Download/model_yolo11n' to 'tpu-mlir/model_yolo11n': Directory not empty

解决方案:

# Remove existing directory and replace
rm -rf tpu-mlir/model_yolo11n
mv Download/model_yolo11n tpu-mlir/

问题 3: 校准失败并显示"There is no inputs"

症状:

RuntimeError: There is no inputs

解决方案:

# Ensure calibration images are in correct format (.jpg, .png)
cd ../COCO2017/
for file in *.img; do
    mv "$file" "${file%.img}.jpg"
done

问题 4: Docker 权限错误

症状:

permission denied while trying to connect to the Docker daemon socket

解决方案:

# Add user to docker group
sudo usermod -aG docker $USER
# Log out and log back in, or run:
newgrp docker

问题 5: 内存不足错误

症状:

CUDA out of memory

解决方案:

升级到更大的云实例（8GB+ RAM）
减少转换命令中的批处理大小
使用更少的校准图像（最少 50 张）

问题 6: 模型验证失败

症状:

npz compare FAILED

解决方案:

检查测试图像是否代表训练数据
验证 ONNX 模型是正确版本
尝试不同的测试图像

问题 7: SSH 连接问题

症状:

Connection refused
ssh: connect to host [IP] port 22: Connection refused

解决方案:

检查云提供商安全组是否允许 SSH（端口 22）
验证实例正在运行
尝试不同的 SSH 密钥或密码认证

部署到 reCamera

步骤 1: 连接 reCamera

通过 USB-C 线缆将 reCamera 连接到您的计算机
在 http://192.168.42.1 访问 Web 界面
使用用户名：root，密码：recamera.1 登录

步骤 2: 上传模型

导航到工作区部分
在流编辑器中点击模型节点
点击 "Upload" 按钮
选择您的 .cvimodel 文件
配置模型参数：
- Model Name: yolo11n_detection
- Classes: 输入您的类别名称（逗号分隔）
- Confidence Threshold: 0.5（根据需要调整）
- IoU Threshold: 0.45

步骤 3: 部署和测试

点击 "Deploy" 按钮
等待 "Successfully deployed" 消息
导航到仪表板查看实时预览
根据需要调整置信度/IoU 阈值

常见问题解答

问：转换过程需要多长时间？

答：通常需要 20-45 分钟，取决于模型复杂性和云实例性能。校准步骤通常是最长的。

问：我可以使用不同的 YOLO 版本吗？

答：本指南专门针对 YOLO11n。其他版本（YOLOv8、YOLOv9）需要不同的输出层名称，可能存在兼容性问题。

问：如果我的模型在转换后准确性显著下降怎么办？

答：由于 INT8 量化，一些准确性损失（1-3%）是正常的。如果损失 >5%，请尝试：

使用更具代表性的校准图像
将校准图像数量增加到 200-500 张
在部署期间调整置信度阈值

问：我可以转换在自定义数据集上训练的模型吗？

答：可以，但确保您的校准图像代表您的自定义数据集。100 张校准图像应该涵盖您的模型将遇到的各种场景。

问：支持的最大模型大小是多少？

答：reCamera 的内存限制实际模型大小约为 8-16MB。YOLO11n 转换后通常产生 3-8MB 的模型。

问：我需要保持云实例运行吗？

答：不需要，您可以在下载转换后的模型后立即终止实例。转换是一次性过程。

问：我可以批量转换多个模型吗？

答：可以，您可以保持相同的环境，通过使用不同的模型文件重复步骤 5-6 来转换多个模型。

问：如果我遇到这里未涵盖的错误怎么办？

答：

检查 Docker 容器日志：docker logs tpu_converter
首先验证您的 ONNX 模型在 Python 环境中正确加载
尝试使用更简单的测试模型来隔离问题
联系 Seeed Studio 支持并提供具体错误消息

问：有云部署的替代方案吗？

答：有，您可以：

在 Mac/Windows 上本地使用 Docker Desktop（需要大量 RAM）
在 Windows 上设置带有 Docker 的 WSL2
使用本地 Linux 机器或虚拟机

但是，建议使用云部署以获得可靠性和性能。

结论

为 reCamera 部署转换 YOLO11n 模型需要了解硬件约束和 TPU-MLIR 工具链。虽然过程有几个步骤，但遵循本指南应该能够成功转换模型，准备好进行边缘 AI 部署。

成功的关键是：

准备: 将所有文件准备为正确的格式和结构
环境: 使用正确配置的 Linux 环境（推荐云环境）
耐心: 为校准和转换步骤留出足够时间
验证: 在部署前彻底测试转换后的模型

如需额外支持，请参考 SeeedStudio ReCamera wiki 或 TPU-MLIR 文档。

技术支持与产品讨论

感谢您选择我们的产品！我们在这里为您提供不同的支持，以确保您使用我们产品的体验尽可能顺畅。我们提供多种沟通渠道，以满足不同的偏好和需求。

目录​

简介​

为什么需要模型转换​

关于 reCamera 硬件​

转换挑战​

了解硬件限制​

内存限制​

处理限制​

为什么标准 ML 框架不起作用​

先决条件​

所需知识​

所需软件​

所需文件​

云服务提供商设置选项​

选项 1：DigitalOcean（推荐初学者使用）​

选项 2：AWS EC2​

选项 3：Google Cloud Platform​

选项 4：Microsoft Azure​

选项 5：阿里云​

选项 6：腾讯云​

逐步转换过程​

步骤 1：准备您的环境​

步骤 2：上传您的模型文件​

步骤 3：准备目录结构​

步骤 4：进入 Docker 容器并开始转换​

步骤 5：模型转换流水线​

步骤 6: 下载转换后的模型​

步骤 7: 清理云资源​

常见问题和故障排除​

问题 1: 转换过程中出现"文件未找到"错误​

问题 2: 移动文件时出现"目录非空"错误​

问题 3: 校准失败并显示"There is no inputs"​

问题 4: Docker 权限错误​

问题 5: 内存不足错误​

问题 6: 模型验证失败​

问题 7: SSH 连接问题​

部署到 reCamera​

步骤 1: 连接 reCamera​

步骤 2: 上传模型​

步骤 3: 部署和测试​

常见问题解答​

问：转换过程需要多长时间？​

问：我可以使用不同的 YOLO 版本吗？​

问：如果我的模型在转换后准确性显著下降怎么办？​

问：我可以转换在自定义数据集上训练的模型吗？​

问：支持的最大模型大小是多少？​

问：我需要保持云实例运行吗？​

问：我可以批量转换多个模型吗？​

问：如果我遇到这里未涵盖的错误怎么办？​

问：有云部署的替代方案吗？​

结论​

技术支持与产品讨论​

目录

简介

为什么需要模型转换

关于 reCamera 硬件

转换挑战

了解硬件限制

内存限制

处理限制

为什么标准 ML 框架不起作用

先决条件

所需知识

所需软件

所需文件

云服务提供商设置选项

选项 1：DigitalOcean（推荐初学者使用）

选项 2：AWS EC2

选项 3：Google Cloud Platform

选项 4：Microsoft Azure

选项 5：阿里云

选项 6：腾讯云

逐步转换过程

步骤 1：准备您的环境

步骤 2：上传您的模型文件

步骤 3：准备目录结构

步骤 4：进入 Docker 容器并开始转换

步骤 5：模型转换流水线

步骤 6: 下载转换后的模型

步骤 7: 清理云资源

常见问题和故障排除

问题 1: 转换过程中出现"文件未找到"错误

问题 2: 移动文件时出现"目录非空"错误

问题 3: 校准失败并显示"There is no inputs"

问题 4: Docker 权限错误

问题 5: 内存不足错误

问题 6: 模型验证失败

问题 7: SSH 连接问题

部署到 reCamera

步骤 1: 连接 reCamera

步骤 2: 上传模型

步骤 3: 部署和测试

常见问题解答

问：转换过程需要多长时间？

问：我可以使用不同的 YOLO 版本吗？

问：如果我的模型在转换后准确性显著下降怎么办？

问：我可以转换在自定义数据集上训练的模型吗？

问：支持的最大模型大小是多少？

问：我需要保持云实例运行吗？

问：我可以批量转换多个模型吗？

问：如果我遇到这里未涵盖的错误怎么办？

问：有云部署的替代方案吗？

结论

技术支持与产品讨论