YOLO 模型从训练到边缘部署的流程梳理

这是一份通用的流程梳理，用来在动手之前想清楚每一步的输入输出和验证方式，避免"训练完直接用"。

流程总览

  1. 数据集准备：明确标注规范（框的边界、类别定义），按场景划分训练集与验证集
  2. 模型训练：选定框架与预训练权重，跟踪损失与 mAP 曲线，先确认过拟合/欠拟合的方向
  3. 导出中间格式：通常先导出 ONNX，作为跨平台部署的公共中间层
  4. 边缘转换：按目标硬件选择 RKNN / TensorRT / NCNN 等，注意算子支持与量化策略
  5. 推理封装：预处理、推理、后处理（NMS）三步要成对校准，保证 PC 端与设备端结果一致

每一步都需要一个验证手段

  • 数据：抽样可视化，确认标注框与坐标顺序（xywh / xyxy）正确
  • 训练：验证集指标 + 少量图片的实际推理可视化
  • 导出：ONNX 用 onnxruntime 跑一遍，与训练框架输出对比
  • 转换：设备端跑固定测试图，与 PC 端结果逐框对比
  • 封装：把整条链路的效果录屏存档，便于回归对比

容易踩的坑

  • 预处理不一致：归一化方式、通道顺序（RGB / BGR）、letterbox 参数
  • 量化后精度下降：先定位是哪个阶段掉点，再决定是否混精度
  • 后处理阈值不同：置信度阈值与 NMS 阈值要按实际场景调，而不是照抄默认值

部署能不能成功，往往取决于每一步"有没有对齐验证"，而不是模型本身多新。