J5 YOLOv11 模型部署实战

面向地平线 J5 平台，从 YOLOv11 模型结构理解，到 ONNX 导出、工具链量化编译，再到板端性能测试的完整实战记录。

一、模型简介

YOLOv11 是 Ultralytics 团队推出的最新一代实时目标检测模型，延续了 YOLO 系列的高效与精度优势，并在网络架构上进行了进一步优化。该模型整体包含 Backbone、Neck 和 Head 三部分，其中 Backbone 主要由多个 Conv、C3k2 模块以及 SPPF 和 C2PSA 等组成；Neck 部分通过 Upsample、Concat 和 C3k2 等操作实现多尺度特征融合；Head 部分则在 20×20、40×40 和 80×80 三个不同尺度的特征图上进行检测，实现多层级目标识别。YOLOv11 在保持推理速度的同时，进一步提升了检测精度与鲁棒性，适用于多种复杂场景下的实时视觉任务。

二、YOLOv11-det 模型结构解析

YOLOv11-det 依然沿用经典的三段式结构：

Backbone
负责特征提取，逐层下采样，生成多尺度语义特征
Neck
对不同尺度特征进行融合，增强对大小目标的检测能力
Head
输出目标框回归与类别预测结果

三、ONNX 模型导出流程

3.1 项目拉取

使用 Ultralytics 官方 YOLOv11 工程

3.2 环境准备

3.3 修改Detect输出(将模型输出改为10个，去掉DFL)

在 ./ultralytics/ultralytics/nn/modules/head.py 文件中找到 Detect 类，将 forward 方法替换为以下代码

3.4 pt->onnx

四、量化编译

4.1 验证 ONNX 模型

注：若验证不通过，hb_compile 工具会报出 ERROR，在当前工作目录下会生成 hb_mapper.log 文件，从文件中可以查看到具体的报错。如果不存在ERROR，则顺利通过校验。

4.2 校准数据准备

注：

1.校准数据集应来自训练集或验证集。
2.校准数据集的图片应具有代表性，避免使用异常样本（例如纯色图片、不含任何检测或分类目标的图片）
3.校准数据集的预处理应与原始浮点模型数据前处理过程一致。

J5 YOLOv11模型部署实战