地平线J6m部署yolov9

1.环境准备

安装依赖库

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics

2. 导出 YOLOv9t 的 ONNX 模型 

from ultralytics import YOLO # 加载 yolov9t 的预训练权重

model = YOLO("yolov9t.pt") # 导出为 ONNX 格式，设置 dynamic shape，简化模型，并指定 opset 版本

model.export(format="onnx", dynamic=True, simplify=True, opset=12)

（2） 可选：使用官方脚本导出 ONNX 

参考官方 ultralytics 提供的 ONNX Runtime 示例项目：

3.准备校准数据集

（1）数据格式要求

• 校准数据需为 .npy 格式
• 文件目录：如 imagenet1k640x640/npy/
• 每张图像应预处理成 NCHW 格式、尺寸为 640x640

（2） 保持一致性，推荐参考官方 ultralytics 数据预处理逻辑： 

from ultralytics.utils import ops

import cv2 import numpy as np

def preprocess_image(image_path):

      img = cv2.imread(image_path)

      img = cv2.resize(img, (640, 640))

      img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB and HWC to CHW

      img = np.ascontiguousarray(img, dtype=np.float32) / 255.0

      return img

4. 配置量化编译参数文件（config.yaml） 

5.模型编译流程

（1)进入 oe Docker 镜像环境 

（2)快速验证模型是否支持 (可选)

         hb_compile --fast-perf  --model yolov9t.onnx  --march nash-m  --input-shape images BXCXHXW

  (3) 正式编译模型 

         hb_compile --config config.yaml 

  (4) 编译结果输出

• 输出目录为 model_output/

• 会生成对应的 HBM 模型文件

6. 部署模型至地平线设备

   1. 搭建运行环境

    请参考 Horizon 官方文档中“模型部署实践指导”章节，完成如下环境搭建：

• 安装运行时环境

• 准备测试脚本

• 拷贝 .hbm 模型文件至目标设备

   2. 推理验证

     使用地平线提供的 runtime API 或示例代码，对模型进行推理测试，并验证功能与精度。