详细转换

概述

为了充分利用设备上的 AI 模型，它们必须首先被转换为目标平台的 RVC 编译格式。如果您想了解什么是转换、为什么需要它以及其中涉及的一些关键概念，请参阅转换部分。虽然 Hub 通过“快速转换”工具提供了快速简化的选项，但某些工作流需要更深入的控制。 “详细转换”工作流专为这些更高级的用例而设计，提供细粒度的配置参数以及版本/变体管理。如果您更喜欢一次性快速转换且设置最少，请参阅快速转换部分。

转换

此处假定要转换的模型已上传到 Hub。如果尚未完成此步骤，请参阅模型上传指南。

对于自定义模型，请尽可能优先上传 ONNX NN Archive 作为基础模型。

源 NN Archive 是模型张量元数据、预处理和可选后处理元数据（heads）的真实来源，这使得转换流程更加可预测，并且通常会生成一个可以直接在 DepthAI 中使用的转换后的 Archive，无需手动编辑。

如果您改上传原始 ONNX 文件，Hub 可以从图中推断出部分张量结构，但它无法推断训练时的预处理选择或语义输出元数据（如类名和解析器选择）。

分步说明：

打开模型变体

打开 Hub，导航到 Models 部分，打开所需的模型，滚动到 Model Variants，然后点击要导出的变体旁边的 Convert。

选择目标平台

选择目标 RVC 平台。可用的目标取决于上传的基础模型格式。实际上，基于 ONNX 的模型源在跨平台转换支持方面最为广泛。

配置转换表单

查看预填值并根据需要进行调整。如果基础模型是原始 ONNX 文件，请手动输入源模型输入设置。如果基础模型是 ONNX NN Archive，请使用其 config.json 作为真实来源，仅在 Archive 元数据不正确时才更改值。使用下面的参考部分了解每个字段的确切含义。

导出并确认结果

点击 Export 开始转换。新模型实例首先显示为 Pending，并在导出准备就绪时更改为 Success。然后，您可以下载转换后的 Archive 或直接通过 DepthAI 引用它。

参数参考

源模型输入设置

参数	类别	含义
`Shape`	源模型	源模型期望的输入形状
`Mean Values`	源模型	从输入中减去的每个通道的值
`Scale Values`	源模型	减去均值后应用的每个通道的除数
`Encoding From`	源模型	源模型期望的通道顺序
`Encoding To`	导出的模型	转换后的模型在运行时期望的通道顺序

平台和导出设置

参数	类别	含义
`Model Instance Name`	导出的模型	Hub 中显示的转换后实例的名称
`Ir version` / `Snpe version`	转换过程	目标转换格式或运行时版本
`Disable Onnx Simplification`	转换过程	在转换期间禁用 `ONNX` 图简化
`Mo Args`	转换过程	`RVC2` 和 `RVC3` 的 OpenVINO Model Optimizer 额外参数
`Compile Tool Args`	转换过程	`RVC2` 的 OpenVINO 编译工具额外参数
`POT Target Device`	转换过程	`RVC3` 的 POT 目标设备
`Convert to blob`	导出的模型	导出 `.blob` 而不是 `.superblob` 以用于 `RVC2`

量化设置

参数	类别	含义
`Quantization Data`	转换过程	用于校准量化转换的数据集
`Max Quantization Images`	转换过程	量化期间使用的最大图像数量
`Target Precision`	转换过程	精度目标，例如 `RVC4` 的 `FP16` 或 `INT8`

在 Hub UI 中，您可以从以下通用数据集中进行选择：

Driving - 街道和车辆的图像（OIv7 类别，如 Vehicle、Car、Traffic light 等）
Food - 水果、蔬菜、生食和熟食的图像（OIv7 类别，如 Apple、Salad、Pizza 等）
General - OIv7 图像的随机子集，代表各种对象和场景
Indoors - 室内空间的图像（OIv7 类别，如 Table、Chair、Fireplace 等）
Random - 随机像素图像
Warehouse - 仓库内部的图像（forklift-1 图像的随机子集）

如果您需要自定义量化数据集，请使用 HubAI SDK。有关更高级的转换和量化选项，请参阅 ModelConverter 文档。

在转换过程中，源预处理会嵌入到导出的模型结构中。通常建议填写相关的参数（Scale Values、Mean Values 和 Encoding），以便转换后的模型能够接受 BGR 输入，而无需额外的缩放或均值偏移。

预处理操作的顺序是：

反转输入通道；
减去均值；
除以缩放值。

在处理输入时请牢记这一点，即均值和缩放值应遵循模型原始颜色编码的顺序。如果您的原始预处理是 input = (input / 255.0 - mean) / std，并且您的运行时输入是 [0,255] 范围内的 8 位图像，请将 Mean Values 设置为 255 * mean，将 Scale Values 设置为 255 * std。

对于标准的 ImageNet RGB 归一化，这意味着 Mean Values = [123.675, 116.28, 103.53] 和 Scale Values = [58.395, 57.12, 57.375]。

在 RGB 和 BGR 之间切换时，请勿交换均值和缩放值。

仅重新排序通道以匹配原始源模型编码。

调整大小、裁剪或信箱填充等几何预处理仍是您在运行时需要负责的任务，因此您的输入管道仍需要匹配模型的原始预处理。

原始 ONNX 与 ONNX NN Archive

起点	Hub 可以自动确定的内容	您仍需要定义的
原始 `ONNX`	图中的张量结构	训练时预处理选择和语义输出元数据，例如类别名称和解析器配置
`ONNX` NN Archive	张量元数据、预处理和 `config.json` 中的可选 `heads` 元数据	导出选择，例如目标平台和特定于转换的选项

如果您从正确定义的 ONNX NN Archive 开始，通常不需要手动编辑导出的 archive。导出的 archive 与源 archive 不同是预期中的。例如，模型路径从 model.onnx 更改为编译后的伪像，如 .superblob、.blob 或 .dlc，并且 mean / scale 可能变为 null，因为预处理已烘焙到编译后的模型中。

故障排除

并非所有模型都可以为所需平台进行转换。您可以按如下方式检查失败的转换日志：

打开失败的转换作业

在 Failed Conversions 部分找到失败的作业并打开它。

下载或检查日志

使用右上角的 Logs 按钮下载日志，或直接在页面上检查 Conversion process logs 部分。

如果导出失败，则需要对模型或使用的转换参数进行更正。有关更多信息，请参阅转换故障排除页面。

本页目录