Vision AI Yolo Edge Camera 自定义模型

自定义模型教程--yolo11 Edge部署

"reTrain Yolo11 model Deployment Edge"

Posted by Parker on October 10, 2025

自定义模型教程–yolo11 Edge部署

请关注reCamera项目，一款开源的AI相机Seeed-Studio/OSHW-reCamera-Series: reCamera is an opensource camera platform

模型自定义分为三个主要部分，如您已熟悉yolo11的训练，可以跳转学习观看：

  1. 数据集制作与获取
  2. yolo模型训练
  3. 模型量化和部署

数据集制作与获取

下载云训练平台 Roboflow 数据集

Roboflow 推理服务器支持多种计算机视觉模型的数据集下载（免费）、训练和部署（付费）。用户也可以上传自己的数据集进行标注后训练（付费）。我们这里只下载它的免费数据集，后续用自己服务器训练。

网络

注意：下载数据时先不要插recamera。

打开网站地址：https://universe.roboflow.com/

登录

可以用github账号登陆，也可以用邮箱。

演示图

下载公开数据集

搜索你要的数据集名字，尽量选择1000-2000图片数的数据集。

演示图

点击数据集，等待一下，等页面完全加载，你可能会看见“Fork project”或“Download project”，不要点击它们。在左侧工具栏找到“Dataset”,点击“Download dataset”：

演示图

演示图

选择第三个：

演示图

选择YOLOv11和下载压缩包，点击continue：

演示图

演示图

最后出现的这个不用管他，直接叉掉：

演示图

你会看到浏览器上已经下载好数据包：

演示图

数据包含：

data/                  # 数据集根目录
├── test/              # 测试集
│   ├── images/    # 图片
│   └── labels/    # 标签
│── train/              # 训练集
│   ├── images/    # 图片
│   └── labels/    # 标签
│
│── valid/              # 验证集
│   ├── images/    # 图片
│   └── labels/    # 标签
│
│── data.yaml #配置；用于规定训练验证测试集路径、训练种类和说明数据信息
│
└── README.md  #说明文档

演示图

然后我们就可以进入训练环节。

data.yaml如下配置：

train: ../train/images # 根据你的实际地址做修改
val: ../valid/images
test: ../test/images

nc: 1
names: ['missing hole'] # 改成你自己的标签

roboflow:
  workspace: rf-projects
  project: pcb-holes
  version: 4
  license: CC BY 4.0
  url: https://universe.roboflow.com/rf-projects/pcb-holes/dataset/4

云服务模型训练

云服务容器租赁

[AutoDL算力云 弹性、好用、省钱。租GPU就上AutoDL](https://www.autodl.com/console/homepage/personal)

推荐使用AutoDL云服务，在算力市场板块租赁带GPU的服务器，可以按小时使用收费。

image-20250707144658793

请按如图镜像配置来租赁服务器，然后电机创建并开机

image-20250707144838287

在控制台–>容器实例中找到你创建的服务器，注意在不适用的时候及时关机，以节约费用。

image-20250707144948849

服务器开机后会生成登录指令和密码： image-20250707145153234

如图所示，复制出来的内容如下：

ssh -p 27189 root@connect.bjb1.seetacloud.com
OFQuH9acFE/1

在终端中进行命令输入直接登录即可，密码输入时没有输入显示，因为在Linux中输入密码是隐藏保护的。

image-20250707145406814

登录成功后按本地部署深度学习环境的教程文档进行部署即可搭建相应的环境。

云服务使用以及模型训练

从与服务中获得的登录指令和密码如下：

ssh -p 27189 root@connect.bjb1.seetacloud.com
OFQuH9acFE/1

其中@后面的connect.bjb1.seetacloud.com是登录链接，root是用户名，27189是端口号。 推荐下载MobaXterm来登录服务器，这里有可视化的文件管理工具来便于文件传输。 推荐下载安装版： image-20250707151931314

打开MobaXterm，首先点击Session，选择ssh登录方式，在host,Username和Port分别填选从服务器中获取的登录指令信息。

host中填写@后的链接（例如：connect.bjb1.seetacloud.com），Username填写root，Port填写-p后的端口号(例如27189)

ssh -p 27189 root@connect.bjb1.seetacloud.com
OFQuH9acFE/1

完成后点击OK.

image-20250707152109117

上传数据集并进行训练

将你打包好的数据集上传到该文件下/root/Download,如同所示

image-20250811140300448

执行cd ~/Download 然后执行./train_yolo11 你的数据集文件名（压缩包或解压缩文件都可）

然后根据菜单要求填写，即可进行模型训练

image-20250811140407081

训练完成后，你可以在该文件夹下找到你的模型文件/root/Download/weights/

我们需要下载temp_downgraded.onnx文件到本地

image-20250811140717426

MobaXterm文本编辑器替换本地文本编辑器

如果想修改你的模型训练过程参数，点击setting–>General 然后选择本地的文本编辑器的路径或快捷打开方式即可

image-20250707160448500

打开train.py脚本，修改参数，然后按ctrl+s保存文件：

这里注意训练模型的配置脚本：

data="/root/ultralytics/dataset/FYP/data.yaml", #个人数据集的配置路径
epochs=100,     #训练轮数，建议100~300之间，避免太多过拟合
imgsz=640,		#图片训练尺寸，这个参数不要修改
device="0",		#训练的显卡编号，如果是CPU，则填入cpu,如果你是多卡训练，可以填入多个显卡编号，用逗号隔开
batch=128,      # 单轮训练图片批量大小，48G显卡最多选128
amp=False,     # 禁用混合精度，不要修改该参数
cache=True     # 缓存图像以加快加载速度，不要修改该参数

image-20250811144744375

弹出是否同步到服务器中，选择Yes: image-20250707160851795

模型效果测试

编辑测试脚本yolo11_localPic.py，将模型文件路径和测试用的图片换成你的模型和测试图片，然后执行该脚本可以获得测试结果。

image-20250707165829911

image-20250707165958808

image-20250707170039535

模型量化以及转换部署

模型量化

参考这篇wiki来搭建相关的环境，中文版

如果你不想搭建环境，并且使用windows系统。那你可以参考这篇资料来挂在WSL系统来完成后续的工作。镜像在资料包中。

全网最全Win10/11系统下WSL2+Ubuntu20.04的全流程安装指南（两种支持安装至 D 盘方式）_win10安装wsl2-CSDN博客

image-20250708162929318

导入镜像资料后，使用WSL -d Ubuntu-tpumlir来启动系统 进入系统后执行下面的指令：

docker start 299 #启动docker容器
docker exec -it 299 /bin/bash #进入容器环境
cd /workspcae/tpu-mlir  #进入工程目录

你需要组织一个转换工程文件，文件名可以任意命名，内容参考如下：

model_yolo11n/          # 模型工作目录（与tpu-mlir同级）
├── COCO2017/           # COCO2017数据集（用于量化校准）替换为你的训练图片，大概需要100张左右
├── image/              # 测试图像目录 需要几张图片用来测试
└── Workspace/          # 实际工作子目录
    └── yolo11n.onnx    # 待转换的ONNX模型文件

ONNX→MLIR转换

转换概述

ONNX 到 MLIR 的转换是模型转换过程中的关键中间步骤。在获得适用于 reCamera 推理的最终模型之前，需要先将 ONNX 模型转换为 MLIR 格式。这个 MLIR 文件作为桥梁，用于生成最终针对 reCamera 推理引擎优化的模型。

在 Workspace 目录下执行以下命令：

将model_def参数替换为自己的模型名称，test_input参数替换为自己的图片名称

model_transform \
  --model_name yolo11n \
  --model_def model_v8.onnx \
  --input_shapes "[[1,3,640,640]]" \
  --mean "0.0,0.0,0.0" \
  --scale "0.0039216,0.0039216,0.0039216" \
  --keep_aspect_ratio \
  --pixel_format rgb \
  --output_names "/model.23/cv2.0/cv2.0.2/Conv_output_0,/model.23/cv3.0/cv3.0.2/Conv_output_0,/model.23/cv2.1/cv2.1.2/Conv_output_0,/model.23/cv3.1/cv3.1.2/Conv_output_0,/model.23/cv2.2/cv2.2.2/Conv_output_0,/model.23/cv3.2/cv3.2.2/Conv_output_0" \
  --test_input ../image/0101.jpg \
  --test_result yolo11n_top_outputs.npz \
  --mlir yolo11n.mlir

image-20250708145835686

image-20250708145856076

生成校准表

在转换为 INT8 模型之前，您需要运行 calibration 以获得校准表。根据情况，输入数据的数量约为 100 到 1000 个。 然后使用校准表生成对称或不对称 。如果对称模型已经满足要求，一般不建议使用不对称模型，因为不对称模型的性能稍逊于对称模型。这是一个现有的100幅图像进行校准的例子：cvimodel COCO2017

run_calibration \
  yolo11n.mlir \
  --dataset ../COCO2017/images \
  --input_num 100 \
  -o yolo11n_calib_table

image-20250708151924542

编译INT8模型： 获取文件后，执行以下命令将其转换为 INT8 对称量化模型

model_deploy \
  --mlir yolo11n.mlir \
  --quantize INT8 \
  --quant_input \
  --processor cv181x \
  --calibration_table yolo11n_calib_table \
  --test_input ../image/0101.jpg \
  --test_reference yolo11n_top_outputs.npz \
  --customization_format RGB_PACKED \
  --fuse_preprocess \
  --aligned_input \
  --model banana.cvimodel

image-20250708155007113

下载这个cvimodel结尾的模型到你的电脑上，使用usb线将recamera连接到你的电脑上，在浏览器中打开recamera的workspace界面 http://192.168.42.1/#/workspace。 选择model模块，点击Upload选择你下载好的cvimodel的模型。在下方的Classes中填写你用来分类的物体的名称。点击Deploy即可部署。

image-20250708155239849

访问http://192.168.42.1/#/dashboard或使用preview模块，然后你就可以预览到你的模型识别的效果了 image-20250708155504625

image-20250709170145140

CATALOG
    FEATURED TAGS
    随笔 Vision AI Yolo Edge Camera 自定义模型 学习笔记 Shell
    FRIENDS