RDK X5 yolov5+Deepsort 行人跟踪（BPU加速）

学弟一看就会的RDKX5模型转换及部署，你确定不学？作者：SkyXZCSDN：SkyXZ～-CSDN博客博客园：SkyXZ - 博客园宿主机环境：WSL2-Ubuntu22.04+Cuda12.6、D-Robotics-OE 1.2.8、Ubuntu20.04 GPU Docker端侧设备环境：RDK X5-Server-3.1.0 买了RDK X5还只停留在树莓派的使用思想？想部署深度学习但对着BPU不知从何下手？好不容易找到了OE交付包和Model Zoo但不知有什么作用？我知道你很急，但

1. 芯片介绍2. 部署工具链3. 流程4. 对比5.总结。

地瓜机器人RDKX5的简易新手教程，包括前期准备，系统烧录启动，yolov5运行等。

YOLOv10的厉害之处: 干掉了nms过程，变成nms-free. 也就是说对8400个bbox，每个bbox的80类别，阈值筛选完了就是最终的结果了，不用nms过程再去干掉重复识别的目标了。

2.验证onnx，没有任何报错就是通过了，注意opset的版本，我的pt转onnx代码。新建yaml文件，把calibration_type改成skip就不用数据集了。启动成功并进入挂载的data，把自己的onnx文件拖入挂载的数据集文件。b.下载OE包，要对应版本，我下载的1.2.6。1.环境安装，地平线官方拉取docker，下载完成后在文件目录下安装docker。启动docker 参考官方提供。我的为 替换自己的文件地址即可。a.下载docker镜像。我采用本地安装的方法，3.onnx转换bin。

YOLOE（实时看见一切）是零样本、可提示的 YOLO 模型的一项新进展，专为开放词汇检测和分割设计。与以往只能局限于固定类别的 YOLO 模型不同，YOLOE 使用文本、图像或内部词汇提示，能够实现实时检测任何对象类别。YOLOE 基于 YOLOv10 构建，并受到 YOLO-World 的启发，在几乎不影响速度和精度的情况下实现了最先进的零样本性能。清华的论文: https://arxiv.org/pdf/2503.07465v1。

执行demo.py文件就行了，博主已经测试过了，在RDK X5环境下是可以运行的，只要在把RDK X5的yolo目标检测数据传进去，就能实现目标跟踪了~~RDK X5 目标跟踪核心代码Deepsort，不含yolo代码，主要功能是通过按顺序读取file文件夹下的三个图片，来模拟图像输入。

YOLOv12构建以注意力为核心的YOLO框架，通过创新方法和架构改进，打破CNN模型在YOLO系列中的主导地位，实现具有快速推理速度和更高检测精度的实时目标检测。

主要是给RDK X5简单写了一个测评，试用了YOLO8目标检测和火山引擎大模型网关

地平线旭日（Sunrise）系列 AI SoC 是国产嵌入式视觉智能芯片的重要代表，广泛应用于智能驾驶座舱、ADAS 视觉前端、机器人感知等高性能 AI 场景。其核心 BPU（Brain Processing Unit）架构具备高吞吐、低功耗、深度可编程等特性，通过与 ARM CPU、ISP、视频引擎等模块深度集成，实现多任务 AI 感知闭环。本文围绕旭日系列芯片（如旭日 2、旭日 3）从 SoC 构成、BPU 微架构、模型部署、分层资源映射与运行时优化等方面进行系统实战解析。重点覆盖 Horizon Ma

本文在地平线对YOLOv8s的Backbone修改的基础上，提出一种在地平线Bernoulli2架构BPU上部署YOLOv8的后处理思路。使用640×640分辨率，80类别基于COCO数据集的预训练权重，让BPU加速Backbone的Neck的部分，推理时间约62ms，使用numpy优化的后处理部分，约8ms。并使用高效的Dataflow，充分利用X3的计算资源，Python多进程推理+Web推流的方式完成了一个30fps的实时目标检测demo。本文所有程序均开源。

YOLO(You Only Look Once)是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。2016 年发布的YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。2018 年推出的YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池进一步增强了模型的性能。

2025年随着RDK X5的发布，地瓜官方随之也开放了RDK系列DNN推理部署的Python版的API进一步降低了使用X5的门槛，上一篇文章我介绍了C++版的API，这一篇文章我将介绍一下如何使用Python在我们的RDK X5上部署推理代码，地瓜的算法工具链的安装及模型的量化教程在上一篇已经写了具体请参照：学弟一看就会的RDKX5模型转换及部署，你确定不学？ - SkyXZ - 博客园 地瓜这次释放的Python推理API可以分为两种版本，一种版本为BSP，使用包，这是地瓜BSP(Board

在上篇整完yolov10的部署后去玩别的东西了，直到最近有x5的使用需求了又跑回来乐。这次就好好看看为什么这家伙的帧率这么感人……一开始的方案本来是去在官方的tros实例上进行修改得到一个高帧率部署的方案，结果死活没啃明白代码，出现了幽灵编译的问题（我倒.jpg）最后还是转战回自己比较熟悉的python（其实也就仅限于看得懂代码）靠着AI东拼西凑出来一个勉强实现了需求的乐色代码（你就说跑没跑起来吧.jpg)而且由于这只蒟蒻在解决这个问题上走了很多的弯路，所以代码里会出现很多奇怪乃至冗余的代码……

买了RDK S100还只停留在RDKX5的使用思想？想部署模型但对着全新的工具链不知从何下手？好不容易学会X5上的HB_DNN结果面对S100的UCP只能一脸懵？我知道你很急，但你先别急！跟着这篇学妹吵着要学的模型量化部署教程包你30Min告别RDKS100模型量化部署小白！！！本篇文章为万字长文，学弟一看就会的RDKX5模型转换及部署，你确定不学？的姐妹篇，本篇侧重于基础模型的部署，后续会更新VLA等具身智能模型在RDKS100的部署教程，首先介绍一下我们本篇教程的参考资料： 目前，我们在G

本帖子用于记录复现时遇到的问题和解决方案。

记录

该应用基于Web网页打造,支持RDK X3, X3 Module和RDK Ultra, 无论是什么品牌的电脑和手机,只需要在浏览器访问即可.代码托管在GitHub: https://github.com/WuChao-2024/RDK_Web_Performance_Node也可在本文末尾附件获取.