YOLOv8 模型移植至高通 RB5 平台实战指南

使配置生效：

source ~/.bashrc

2.4 安装 Python 依赖

创建虚拟环境并安装必要的 Python 包，注意 pip install 后要有空格：

python3 -m venv qnn_env
source qnn_env/bin/activate
pip install ultralytics
pip install onnx==1.17.0
pip install onnxruntime==1.22.0
pip install numpy opencv-python

3. YOLOv8 模型导出为 ONNX

3.1 导出命令

使用 Ultralytics 提供的导出功能将 PyTorch 模型转换为 ONNX 格式。这里有个关键点，QNN 不支持动态输入，必须设为 False：

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO("path/to/your/best.pt")

# 导出为 ONNX 格式
model.export(
    format="onnx",
    imgsz=[640, 640],      # 输入尺寸
    opset=12,              # ONNX opset 版本，建议使用 11 或 12
    simplify=True,         # 简化模型
    dynamic=False          # QNN 不支持动态输入，必须设为 False
)

3.2 关键导出参数说明

3.3 验证 ONNX 模型

导出后验证 ONNX 模型的正确性，检查输入输出信息：

import onnx
import onnxruntime as ort
import numpy as np

# 加载并验证模型
model = onnx.load("best.onnx")
onnx.checker.check_model(model)
print("ONNX 模型验证通过")

# 检查输入输出信息
print(f"输入：{[i.name for i in model.graph.input]}")
print(f"输出：{[o.name for o in model.graph.output]}")

# 测试推理
session = ort.InferenceSession("best.onnx")
input_name = session.get_inputs()[0].name
test_input = np.random.rand(1, 3, 640, 640).astype(np.float32)
outputs = session.run(None, {input_name: test_input})
print(f"输出形状：{outputs[0].shape}")

4. ONNX 模型转换为 QNN 模型

4.1 使用 qnn-onnx-converter 转换

QNN SDK 提供了 qnn-onnx-converter 工具将 ONNX 模型转换为 QNN C++ 模型格式。如果有多个输出节点，记得指定 --out_name：

qnn-onnx-converter \
  --input_network best.onnx \
  --output_path best.cpp \
  --input_dim "images" 1,3,640,640 \
  --out_name output0

4.2 转换参数详解

4.3 验证转换结果

转换完成后会生成 .cpp 和 .bin 文件，可通过编译生成模型库来验证：

qnn-model-lib-generator \
  -c best.cpp \
  -b best.bin \
  -o model_libs/
# 成功后会在 model_libs/ 下生成对应平台的 .so 模型库文件

5. 模型量化

5.1 量化概述

要在 Hexagon Tensor Processor (HTP) 上运行模型，必须将模型量化为 INT8 或 INT16 格式。在 QNN SDK 中，量化可以在模型转换阶段通过 qnn-onnx-converter 的 --input_list 参数一步完成，也可以单独进行。量化过程包括两个步骤：权重和偏置量化（静态）以及激活层量化（需要校准数据）。

5.2 准备校准数据

量化需要一组代表性的输入数据作为校准集。创建 Python 脚本生成 .raw 格式的校准数据：

import numpy as np
import cv2
import os

def preprocess_image(image_path, input_size=(640, 640)):
    """预处理图像为 QNN 所需格式"""
    img = cv2.imread(image_path)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = cv2.resize(img, input_size)
    img = img.astype(np.float32) / 255.0  # NHWC 格式
    return img

# 准备校准图像列表（5-20 张代表性图像）
calib_images = ["image1.jpg", "image2.jpg", ...]

# 生成 raw 文件
for i, img_path in enumerate(calib_images):
    data = preprocess_image(img_path)
    raw_path = f"calib_data/input_{i}.raw"
    data.tofile(raw_path)

# 创建输入列表文件
with open("input_list.txt", "w") as f:
    for i in range(len(calib_images)):
        f.write(f"calib_data/input_{i}.raw\n")

5.3 执行量化

在 QNN SDK 中，量化集成在 qnn-onnx-converter 转换步骤中。通过提供 --input_list 参数指定校准数据，即可在转换时完成 INT8 量化：

qnn-onnx-converter \
  --input_network best.onnx \
  --output_path best_quantized.cpp \
  --input_dim "images" 1,3,640,640 \
  --input_list input_list.txt \
  --act_bw8 \
  --weight_bw8

5.4 量化参数说明

6. 模型库生成与上下文二进制缓存

6.1 概述

QNN SDK 采用两步流程将转换后的模型编译为设备可执行格式：先通过 qnn-model-lib-generator 生成目标平台的模型库（.so），再通过 qnn-context-binary-generator 生成上下文二进制缓存（.bin），这可以显著减少运行时的初始化时间。

6.2 生成模型库

将量化后的 QNN 模型编译为目标平台（aarch64）的模型库：

qnn-model-lib-generator \
  -c best_quantized.cpp \
  -b best_quantized.bin \
  -o model_libs/ \
  -t aarch64-ubuntu-gcc7.5

6.3 生成上下文二进制缓存

针对 RB5 平台（QRB5165 SoC）生成 HTP 上下文二进制缓存：

qnn-context-binary-generator \
  --model model_libs/aarch64-ubuntu-gcc7.5/libmodel.so \
  --backend libQnnHtp.so \
  --output_dir context_binary/

可选：指定目标 SoC 进行离线编译优化

qnn-context-binary-generator \
  --model model_libs/aarch64-ubuntu-gcc7.5/libmodel.so \
  --backend libQnnHtp.so \
  --output_dir context_binary/ \
  --config_file htp_config.json

6.4 验证生成结果

检查生成的上下文二进制文件：

ls -la context_binary/
# 应生成 .bin 格式的上下文二进制文件，可直接用于设备端推理

7. 模型部署到 RB5 设备

7.1 连接设备

通过 ADB 连接到 RB5 设备：

adb devices
# 进入设备 shell
adb shell

7.2 部署 QNN 运行时库

推送 QNN 运行时库到设备：

adb push $QNN_SDK_ROOT/lib/aarch64-ubuntu-gcc7.5/* /data/qnn/
adb push $QNN_SDK_ROOT/lib/hexagon-v68/unsigned/* /data/qnn/

在设备上配置环境变量（添加到 ~/.bashrc）：

export PATH=$PATH:/data/qnn/
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/data/qnn/
export ADSP_LIBRARY_PATH="/data/qnn:/system/lib/rfsa/adsp:/system/vendor/lib/rfsa/adsp:/dsp"

7.3 部署模型文件

创建模型目录并推送文件：

adb shell mkdir -p /data/models/yolov8
adb push context_binary/model.bin /data/models/yolov8/
adb push test_images/ /data/models/yolov8/test_images/

7.4 使用 qnn-net-run 测试

准备测试输入列表：

echo "/data/models/yolov8/test_images/test.raw" > /data/models/yolov8/test_list.txt

在 HTP 上运行推理：

qnn-net-run \
  --backend libQnnHtp.so \
  --retrieve_context /data/models/yolov8/model.bin \
  --input_list /data/models/yolov8/test_list.txt

查看输出结果：

ls output/

8. 推理应用开发

8.1 C++ 应用开发

以下是使用 QNN C API 进行推理的示例代码框架，注意头文件引用和句柄管理：

#include "QNN/QNNInterface.h"
#include "QNN/QNNCommon.h"
#include "QNN/QNNTypes.h"
#include "QNN/QNNContext.h"
#include "QNN/QNNGraph.h"
#include "QNN/QNNTensor.h"
#include "QNN/HTP/QNNHtpDevice.h"
#include <dlfcn.h>
#include <vector>
#include <string>
#include <cstring>

typedef QNN_ErrorHandle_t (*QNNInterfaceGetProvidersFn_t)(const QNNInterface_t*** providerList, uint32_t* numProviders);

struct QNNRuntime {
    void* backendHandle = nullptr;
    QNNInterface_t qnnInterface;
    QNN_BackendHandle_t backendH = nullptr;
    QNN_ContextHandle_t contextH = nullptr;
    QNN_GraphHandle_t graphH = nullptr;
};

bool initQNN(QNNRuntime& rt, const std::string& contextBinPath) {
    rt.backendHandle = dlopen("libQnnHtp.so", RTLD_NOW | RTLD_LOCAL);
    if (!rt.backendHandle) return false;

    auto getProviders = (QNNInterfaceGetProvidersFn_t)dlsym(rt.backendHandle, "QNNInterface_getProviders");
    const QNNInterface_t** providerList = nullptr;
    uint32_t numProviders = 0;
    getProviders(&providerList, &numProviders);

    rt.qnnInterface = *providerList[0];
    rt.qnnInterface.QNN_INTERFACE_VER_NAME.backendCreate(nullptr, nullptr, &rt.backendH);

    // 从上下文二进制文件加载模型
    // 读取 contextBinPath 到内存 buffer，然后调用 contextCreateFromBinary
    ...
    return true;
}

void runInference(QNNRuntime& rt, float* inputData, size_t inputSize) {
    // 配置输入输出张量并执行图推理
    QNN_Tensor_t inputTensor = {};
    QNN_Tensor_t outputTensor = {};

    // 设置张量维度、数据指针等
    ...

    rt.qnnInterface.QNN_INTERFACE_VER_NAME.graphExecute(
        rt.graphH, &inputTensor, 1, &outputTensor, 1, nullptr, nullptr);
}

8.2 编译命令

在 RB5 设备上编译：

g++ -std=c++17 -o yolov8_inference main.cpp \
  -I/data/qnn/include/ \
  -L/data/qnn/ -lQnnHtp-ldl \
  `pkg-config --cflags --libs opencv`

8.3 后处理逻辑

YOLOv8 输出格式为 [1, 84, 8400]（以 80 类 COCO 数据集为例），需要进行后处理：

struct Detection {
    float x, y, w, h; // 边界框
    float confidence; // 置信度
    int class_id;     // 类别 ID
};

std::vector<Detection> postprocess(float* output, float conf_thresh, float nms_thresh) {
    std::vector<Detection> detections;

    // 遍历 8400 个预测框
    for (int i = 0; i < 8400; i++) {
        // 提取边界框坐标（前 4 个值）
        float x = output[0 * 8400 + i];
        float y = output[1 * 8400 + i];
        float w = output[2 * 8400 + i];
        float h = output[3 * 8400 + i];

        // 找到最大类别置信度
        float max_conf = 0;
        int max_class = 0;
        for (int c = 0; c < 80; c++) {
            float conf = output[(4 + c) * 8400 + i];
            if (conf > max_conf) {
                max_conf = conf;
                max_class = c;
            }
        }

        // 过滤低置信度检测
        if (max_conf > conf_thresh) {
            detections.push_back({x, y, w, h, max_conf, max_class});
        }
    }

    // 应用 NMS
    return applyNMS(detections, nms_thresh);
}

9. 常见问题与解决方案

9.1 ONNX 转换失败

问题：qnn-onnx-converter 报告不支持的算子

解决方案：

• 使用较低的 opset 版本（如 opset=11）重新导出 ONNX
• 使用 onnx-simplifier 简化模型图
• 对于 5D 张量操作（如某些 Reshape），可能需要修改模型结构
• 考虑使用 QNN 自定义算子包（Custom Op Package）实现不支持的算子

9.2 量化后精度下降

问题：INT8 量化后检测精度明显下降

解决方案：

• 增加校准数据集大小（建议 50-100 张代表性图像）
• 使用 FP16 激活值 + INT8 权重的混合量化
• 尝试 INT16 量化以获得更好精度
• 在 qnn-onnx-converter 中使用 --act_bw 16 提高激活值精度

9.3 HTP 运行时错误

问题：在 DSP/HTP 上运行时报错

解决方案：

• 确保模型已正确量化（非量化模型无法在 HTP 上运行）
• 检查 ADSP_LIBRARY_PATH 环境变量配置
• 确认 DSP 签名库已正确部署
• 使用 qnn-context-binary-generator 为目标 SoC 生成上下文二进制缓存

10. 性能优化建议

10.1 模型优化

• 使用 YOLOv8n（nano）或 YOLOv8s（small）变体以获得更快推理速度
• 降低输入分辨率（如 320x320 或 416x416）在可接受精度损失范围内
• 减少检测类别数量以降低输出处理开销

10.2 运行时优化

• 优先使用 HTP 加速器以获得最佳性能功耗比
• 使用离线上下文二进制缓存（qnn-context-binary-generator）减少初始化时间
• 使用 QNN 共享内存缓冲区减少数据拷贝
• 实现多线程流水线：图像采集、预处理、推理、后处理并行

10.3 预期性能参考

注意：实际性能受多种因素影响，包括模型复杂度、输入尺寸、量化精度和系统负载等。建议在目标平台上进行实际测试以获得准确的性能数据。

结语

本文详细介绍了将 YOLOv8 模型移植到高通机器人 RB5 平台的完整流程，包括环境搭建、模型转换、量化、部署以及应用开发。通过遵循本文步骤，开发者可以快速在边缘端实现高效的目标检测推理。如果在移植过程中遇到问题，可参考常见问题章节的解决方案，并结合性能优化建议进一步提升模型运行效率。希望本文能为您的嵌入式 AI 项目提供有价值的参考。