05-模型编译

5.1终端进入yolov5目录中，将刚刚训练得到的模型文件：pt文件转为onnx文件，代码如下：
cd code/yolov5
python export.py --imgsz 640  --opset 9 --weights runs/train/exp/weights/best.pt --include onnx --data /dataset/data.yaml --device 0 --export_kneron
==(其中imgsz指输入图像尺寸、opset指ONNX算子集版本、weights指训练好的模型权重路径、include指导出格式为ONNX、data指数据集路径、device指使用的设备为GPU或CPU、--export_kneron指针对AMC芯片的特殊导出模式)==
![](/media/202504/2025-04-21_161447_4783340.8671192663685663.png)

5.2返回平台NoteBook界面，创建一个用于编译的NoteBook项目（需要保证算法选择与训练时一致）
![](/media/202504/2025-04-21_161641_6094480.18704851931047506.png)

![](/media/202504/2025-04-21_161757_1518820.7494774740479784.png)

5.3打开编译项目
![](/media/202504/2025-04-21_161852_5115330.020648152029189237.png)

5.4运行编译，代码如下：
export PATH="/home/LFNN_SW/LFNN/main/CDNN_CONVERT/exe:$PATH"&&export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/home/LFNN_SW/LFNN/main/CDNN_CONVERT/Dll/LINUX"&&export PYTHONPATH=/home/ONNXToCaffe:/home/caffe-py3/python:&&export PATH=/home/LFNN_SW/LFNN/main/LFNNBin/exe:/home/ONNXToCaffe:/home/protobuf/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin&&cd /home&&cp /dataset/data.yaml ./&&cp /code/yolov5/runs/train/exp/weights/best.onnx ./model/&&python3 create_csv.py --onnx_model /home/model/best.onnx --csv_filename best.csv --model_input1_shape3=640&&find /dataset/train -name "*.jpg"| shuf -n 20 | xargs -I {} cp {} /home/model/&&mv best.csv ./model/&&bash ./compile.sh /home/model/best.onnx&&mv /home/model/*.lfQdata /code/tpumodel/best.lfdata&&mv data.yaml /code/tpumodel
==此为多段命令组合，具体含义分解如下：==
**5.4.1export PATH="/home/LFNN_SW/LFNN/main/CDNN_CONVERT/exe:$PATH"**
将路径 /home/LFNN_SW/LFNN/main/CDNN_CONVERT/exe 添加到 PATH 环境变量中，使该目录下的可执行文件可以在任意位置直接调用。
**5.4.2export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/home/LFNN_SW/LFNN/main/CDNN_CONVERT/Dll/LINUX"**
将动态库路径 /home/LFNN_SW/LFNN/main/CDNN_CONVERT/Dll/LINUX 添加到 LD_LIBRARY_PATH，确保程序运行时能找到所需的共享库。
**5.4.3export PYTHONPATH=/home/ONNXToCaffe:/home/caffe-py3/python:**
将两个路径添加到 PYTHONPATH，使 Python 可以导入这些目录下的模块：
/home/ONNXToCaffe：ONNX 转 Caffe 的工具路径。
/home/caffe-py3/python：Caffe（Python 3 版本）的接口路径。
**5.4.4export PATH=/home/LFNN_SW/LFNN/main/LFNNBin/exe:/home/ONNXToCaffe:/home/protobuf/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin**
覆盖 PATH 变量，按顺序添加以下路径：(1)LFNN 工具链的可执行文件路径。(2)ONNX 转 Caffe 工具路径。(3)Protocol Buffers（protobuf）的可执行文件路径。(4)系统默认路径（如 /usr/bin）。
**5.4.5cd /home**
切换到 /home 目录。
**5.4.6cp /dataset/data.yaml ./**
将数据集配置文件 data.yaml 从 /dataset 复制到当前目录（/home）。
**5.4.7cp /code/yolov5/runs/train/exp/weights/best.onnx ./model/**
将训练好的 YOLOv5 模型文件 best.onnx 复制到 /home/model/ 目录。
**5.4.8find /dataset/train -name "*.jpg" | shuf -n 20 | xargs -I {} cp {} /home/model/**
在 /dataset/train 中查找所有 .jpg 文件,随机选取 20 个文件（shuf -n 20）,将这些文件复制到 /home/model/。
**5.4.9mv best.csv ./model/**
将生成的 best.csv 移动到 /home/model/。
**5.4.10python3 create_csv.py --onnx_model /home/model/best.onnx --csv_filename best.csv --model_input1_shape3=640**
运行 Python 脚本 create_csv.py，将 ONNX 模型转换为 CSV 文件。其中onnx_model指输入模型路径、
csv_filename指输出 CSV 文件名、model_input1_shape3=640指定模型输入张量的某一维度为 640。
**5.4.11bash ./compile.sh /home/model/best.onnx**
执行编译脚本 compile.sh，将 ONNX 模型转换为目标格式。
**5.4.12mv /home/model/*.lfQdata /code/tpumodel/best.lfdata**
将生成的.lfQdata文件重命名为best.lfdata并移动到 /code/tpumodel（TPU模型存储目录）。
**5.4.13mv data.yaml /code/tpumodel**
将数据集配置文件 data.yaml 移动到 /code/tpumodel 。

5.5编译完成后会出现文件夹tpumodel，进入可以看见编译好的best.lfdata文件
![](/media/202504/2025-04-21_163603_6215400.4148170555554853.png)