python
content1 = """# RDK X5 + BPU 部署 YOLO 零基础教程

> 适用硬件：D‑Robotics RDK X5（Sunrise 5 SoC，10 TOPS BPU）  
> 适用系统：RDK OS 3.x / Ubuntu 22.04  
> 适用模型：Ultralytics YOLOv8/YOLOv9/YOLOv10 等（示例以 YOLOv8n 为例）

---

## 目录
1. 准备工作  
2. 搭建开发环境  
3. 模型准备与转换  
4. 将模型部署到开发板  
5. 运行推理示例  
6. 性能调优  
7. 常见问题  
8. 参考与附录  

---

## 1. 准备工作

### 1.1 硬件清单
- **RDK X5** 开发板 1 块  
- USB‑C 5 V/5 A 电源适配器  
- micro‑SD (≥32 GB) 或 eMMC（已烧录 RDK OS 3.x）  
- HDMI 显示器 + 键鼠（首启调试用，可选）  
- 千兆网口或 Wi‑Fi 6 (推荐千兆网)  
- USB 或 CSI 摄像头（测试输入）  

### 1.2 软件清单
| 组件 | 版本 | 安装位置 |
|------|------|---------|
| **horizon_ai_toolchain** | ≥ 3.1.0 | PC (Docker) |
| **horizon_runtime** | 与工具链同版本 | RDK X5 |
| **Ultralytics** | ≥ 8.3.0 | PC |  
| Docker | 24.x | PC |
| OpenSSH | 最新 | PC & RDK X5 |

---

## 2. 搭建开发环境

### 2.1 安装 Docker
```bash
sudo apt update
sudo apt install -y docker.io
sudo usermod -aG docker $USER
newgrp docker

2.2 获取 Horizon X5 工具链镜像

bash
docker pull drobotics/horizon_x5_toolchain:3.1.0

2.3 运行工具链容器

bash
mkdir ~/rdk_x5_proj
docker run \
  --rm -it \
  -v ~/rdk_x5_proj:/workspace \
  --net=host \
  drobotics/horizon_x5_toolchain:3.1.0 \
  /bin/bash

Tips: 以后只需重新 docker run ... 即可进入相同挂载目录。

3. 模型准备与转换

3.1 获取预训练 YOLO 模型

bash
pip install -U ultralytics
yolo download model=yolov8n.pt

3.2 导出 ONNX

bash
yolo export model=yolov8n.pt format=onnx opset=12 imgsz=640

3.3 使用 hb_mapper 生成 BPU 可执行模型

在工具链容器中：

bash
hb_mapper makertbin \
  --model yolov8n.onnx \
  --output yolov8n_x5.bin \
  --config examples/yolov8_x5_mkrt.cfg

配置文件关键项示例：

ini
[Runtime]
core_num=1               # 使用 1 个 BPU 核
input_layout=NCHW
output_layout=NCHW

生成的 *.bin、*.so 会被一起打包在 yolov8n_x5.bin 中。

4. 将模型部署到开发板

bash
# PC 端
scp yolov8n_x5.bin [email protected]:/opt/models/

在 RDK X5：

bash
sudo apt install -y horizon_runtime
python3 -m pip install opencv-python numpy

5. 运行推理示例

python
# demo_infer.py
import horizon_nn as hznn
import cv2, numpy as np

model = hznn.Model('/opt/models/yolov8n_x5.bin')
cap   = cv2.VideoCapture(0)  # USB 摄像头

while True:
    ret, frame = cap.read()
    if not ret: break
    dets = model.infer(frame)
    for *xyxy, conf, cls in dets:
        cv2.rectangle(frame, xyxy[:2], xyxy[2:], (0,255,0), 2)
        cv2.putText(frame, f'{cls}:{conf:.2f}', xyxy[:2],
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)
    cv2.imshow('RDKX5 YOLO', frame)
    if cv2.waitKey(1) == 27: break

运行：

bash
python3 demo_infer.py

6. 性能调优

1. 批量推理：使用 core_num=2 并增大 batch_size。
2. 量化感知训练：在 Ultralytics 中加入 --qat 标志提升 BPU 运行效率。
3. 使用 hb_perf 查看各算子耗时瓶颈。

7. 常见问题

8. 参考与附录

• RDK X5 技术规格表
• Horizon AI Toolchain 文档
• RDK Model Zoo & 示例 Notebook
• Ultralytics YOLO 官方文档

祝你部署顺利！ """

content2 = """# 基于 TROS 的 YOLOv11 部署全流程

适用系统：TROS Humble (基于 ROS 2 Humble)
适用硬件：RDK X5 / S100 Plus 等支持 BPU 的板卡
适用模型：Ultralytics YOLOv11 系列

目录

1. 环境准备
2. 安装 TROS
3. 创建工作区 & 编译
4. 模型获取与转换
5. 构建 YOLOv11 TROS 节点
6. 启动与验证
7. RViz2 可视化
8. 二次开发要点
9. 参考资料

1. 环境准备

建议在板端直接编译运行，也可在 PC 端交叉编译后拷贝。

2. 安装 TROS

bash
sudo apt update
sudo apt install tros-desktop-full
echo "source /opt/tros/humble/setup.bash" >> ~/.bashrc
source ~/.bashrc

3. 创建工作区 & 编译

bash
mkdir -p ~/tros_ws/src
cd ~/tros_ws
colcon build --symlink-install
source install/setup.bash

4. 模型获取与转换

bash
pip install -U ultralytics
# 4.1 下载 YOLOv11 预训练权重
yolo download model=yolov11n.pt

# 4.2 导出 ONNX
yolo export model=yolov11n.pt format=onnx imgsz=640 opset=17

# 4.3 使用 horizon 工具链量化
hb_mapper makertbin \
  --model yolov11n.onnx \
  --output yolov11n_x5.bin \
  --config configs/yolov11_x5.cfg

5. 构建 YOLOv11 TROS 节点

bash
cd ~/tros_ws/src
git clone https://github.com/d-robotics/tros_yolo11_nodes.git
cd tros_yolo11_nodes
# 编辑参数文件
nano param/yolo11.yaml        # model_path: ~/tros_ws/model/yolov11n_x5.bin
mkdir -p ~/tros_ws/model && mv ../../yolov11n_x5.bin ~/tros_ws/model/
cd ~/tros_ws
colcon build --packages-select tros_yolo11_nodes
source install/setup.bash

6. 启动与验证

bash
ros2 launch tros_yolo11_nodes yolo11.launch.py \
    camera_topic:=/camera/color/image_raw \
    visualize:=true

终端将打印推理 FPS，窗口显示检测结果。

7. RViz2 可视化

bash
ros2 run rviz2 rviz2 -d src/tros_yolo11_nodes/rviz/yolo11.rviz

• /yolo11/detections 主题：目标框
• /camera/color/image_raw 主题：原始图像

8. 二次开发要点

1. 定制类别
   • 使用自定义数据训练 YOLO 11，然后重复 第 4 步 导出 & 转换。
2. 多相机并行
   • 在 launch.py 中为每路相机实例化节点，修改 namespace。
3. 融合导航
   • 将检测结果发布为 vision_msgs/Detection2DArray 并与 SLAM/Navigation2 叠加。

9. 参考资料

• TROS 官方文档 & FAQ
• RDK Model Zoo —— YOLO11 示例
• Ultralytics YOLOv11 介绍
• ROS 2 Tutorials

Happy Coding! 🎉 """

Write files

with open('/mnt/data/rdkx5_yolo_bpu.md', 'w', encoding='utf-8') as f: f.write(content1)

with open('/mnt/data/tros_yolov11_deploy.md', 'w', encoding='utf-8') as f: f.write(content2)

print("教程已保存为 rdkx5_yolo_bpu.md 和 tros_yolov11_deploy.md")