地平线RDK-X5实战：从零部署YOLOv5模型的完整避坑指南（含GPS模块集成）-CSDN博客

地平线RDK-X5实战：从零部署YOLOv5模型的完整避坑指南（含GPS模块集成）

在嵌入式AI的世界里，将前沿的视觉算法部署到资源受限的边缘设备上，始终是一场充满挑战的“硬仗”。地平线RDK-X5，作为一款面向机器人、智能摄像头等领域的强大开发套件，凭借其旭日®X5芯片的BPU（Brain Processing Unit）算力，为实时目标检测提供了理想的硬件平台。然而，从下载模型到最终在设备上稳定运行，这条路上布满了技术“暗礁”——模型转换的精度损失、校准数据的微妙影响、多传感器融合时的信号干扰，每一个环节都可能让项目进度停滞数日。

本文旨在为那些希望在地平线RDK-X5上实现YOLOv5模型高效、稳定部署的开发者，提供一份源自实战的深度指南。我们不仅会梳理标准流程，更会将重点放在那些官方文档可能语焉不详、社区讨论中反复出现的“坑点”上。特别是，我们将探讨如何在户外移动场景中，将视觉检测结果与定位信息（如GPS）进行有效集成，构建一个完整的“感知-定位”系统。无论你是初次接触地平线平台的嵌入式新手，还是寻求优化部署效率的资深工程师，相信都能从中找到有价值的参考。

1. 地平线RDK-X5开发环境深度配置与避坑

拿到RDK-X5开发板后，第一步是搭建一个稳定、高效的开发环境。这个过程看似基础，却直接决定了后续所有步骤的顺畅程度。

1.1 系统烧录与初始设置

官方提供了预装Ubuntu系统的镜像文件，使用balenaEtcher等工具烧录到SD卡是最常见的方式。这里有一个容易被忽略的细节：SD卡的质量与速度。我曾因使用了一张低速卡，导致系统运行异常卡顿，甚至出现文件损坏。强烈建议使用Class 10或以上、UHS-I规格的高速卡。烧录完成后，首次启动会进行系统初始化，默认用户名和密码均为 sunrise。

注意：首次登录后，建议立即通过 sudo passwd sunrise 修改密码，并执行 sudo apt update && sudo apt upgrade -y 进行系统更新，确保内核和基础库处于较新状态。

连接网络后，我们需要获取设备的IP地址以便进行SSH远程开发。除了使用 ifconfig 或 ip addr 命令，在RDK-X5的桌面环境中，通常可以在网络设置中直接查看。更可靠的方式是让设备在启动时自动报告IP，可以创建一个简单的开机服务脚本：

#!/bin/bash
# /etc/rc.local 或创建 systemd service
CURRENT_IP=$(hostname -I | awk '{print $1}')
echo "RDK-X5 IP: $CURRENT_IP" | ssh user@your_host_machine "cat >> ~/rdk_ip.log"

这样，每次设备启动，你的开发主机都会收到其IP地址记录。

1.2 关键软件栈的安装与版本锁定

模型转换和部署依赖于一系列特定的软件工具，版本兼容性至关重要。

Docker安装与配置：地平线的模型转换工具链通常以Docker镜像形式提供。安装Docker后，务必将其用户组权限赋予当前用户，避免每次命令都需 sudo。但这里有个坑：Docker镜像的存储路径。默认情况下，Docker将所有镜像和容器存储在 /var/lib/docker，如果根分区空间不足，会导致后续拉取大型镜像失败。建议在安装Docker后，立即将其数据目录迁移到空间更大的分区或外接存储。

# 停止docker服务
sudo systemctl stop docker
# 将原有数据目录复制到新位置，例如 /home/sunrise/docker_data
sudo rsync -avxP /var/lib/docker/ /home/sunrise/docker_data/
# 修改docker配置文件
sudo vim /etc/docker/daemon.json
# 添加以下内容
{
  "data-root": "/home/sunrise/docker_data"
}
# 重启docker服务
sudo systemctl start docker

Anaconda虚拟环境：用于准备原始的PyTorch模型和ONNX导出。创建环境时，Python版本的选择需要谨慎。虽然YOLOv5官方支持较新的Python版本，但地平线工具链对某些依赖库的版本有特定要求。一个经过验证的稳定组合是Python 3.8。使用以下命令创建并激活环境：

conda create -n horizon_yolov5 python=3.8 -y
conda activate horizon_yolov5

接下来安装YOLOv5的依赖。不要直接 pip install -r requirements.txt，因为其中一些库的最新版可能与工具链冲突。建议核心库手动指定版本安装：

pip install torch==1.10.0 torchvision==0.11.0 -f https://download.pytorch.org/whl/cpu/torch_stable.html
pip install onnx==1.12.0
pip install opencv-python-headless==4.5.5.64
pip install numpy==1.21.6
# 然后再安装requirements.txt中的其他非核心依赖
pip install -r requirements.txt

这种分步安装方式，能有效避免因依赖冲突导致的模型导出或转换失败。