跳到主要内容

NE301 Model Converter

1. 概览​

NE301 Model Converter 是一个基于 Docker 的零代码模型转换平台，支持将 PyTorch/YOLO 模型自动转换为 NE301 边缘设备可用的 .bin 格式。

核心特性：

  • 零代码操作 - Web 界面操作，无需编程经验
  • 端到端自动化 - PyTorch → TFLite → 量化 → NE301 .bin 全自动流程
  • 智能 OOM 修复（v2.1 新增）- 自动诊断和修复 NE301 内存问题
  • 实时进度反馈 - WebSocket 推送转换进度和日志
  • 多尺寸支持 - 支持 256/320/480 输入尺寸（默认 256）
  • 跨平台部署 - macOS / Linux / Windows

支持模型：YOLOv8（所有变体）

转换流程：

PyTorch (.pt/.pth)
    ↓ [0-30%] 导出为 TFLite
TFLite (float32)
    ↓ [30-60%] ST 官方量化
量化 TFLite (int8)
    ↓ [60-70%] NE301 准备 + mpool 自动修复
    ↓ [70-100%] NE301 打包
NE301 .bin 文件

2. 环境准备​

2.1 系统要求​

组件要求
Docker Desktop必须安装并运行
内存最低 4GB，推荐 8GB
磁盘空间10GB+（用于 Docker 镜像）
浏览器Chrome / Firefox / Safari / Edge（最新版本）

2.2 技术栈​

组件版本
Python3.11/3.12（不支持 3.14）
PyTorch2.4.0
Ultralytics8.3.0
TensorFlow2.16.2
FastAPIStarlette 0.52.1

2.3 安装 Docker Desktop​

macOS/Linux：

# 访问官网下载安装
https://www.docker.com/products/docker-desktop/

# 验证安装
docker --version
docker ps

Windows：

下载并安装 Docker Desktop for Windows，安装后重启计算机。

Docker Desktop 运行界面

3. 安装部署​

3.1 克隆项目​

步骤 1：克隆主项目

git clone https://github.com/camthink-ai/ne301-model-converter.git
cd ne301-model-converter

步骤 2：克隆 NE301 工具链

# NE301 工具链用于模型打包和量化
git clone https://github.com/camthink-ai/ne301.git ne301

项目结构：

ne301-model-converter/
├── backend/              # FastAPI 后端
├── frontend/             # Web 前端
├── ne301/               # NE301工具链
├── docker-compose.yml   # 生产部署
├── docker-compose.dev.yml   # 开发环境
└── docker-compose.dev.local.yml  # 本地开发（推荐）

3.2 拉取依赖镜像​

# 拉取 NE301 工具链镜像（约 1GB）
docker pull camthink/ne301-dev:latest

3.3 启动服务​

生产部署（首次启动 ~2 分钟）：

docker-compose up -d

本地开发（代码修改后 ~2 秒重启）：

docker-compose -f docker-compose.dev.local.yml up -d

验证服务：

# 查看容器状态
docker-compose ps

# 查看日志
docker-compose logs -f

3.4 访问 Web 界面​

打开浏览器访问：

http://localhost:8000

看到 NE301 Model Converter 界面即表示部署成功。

NE301 Model Converter Web 界面

4. 模型转换​

4.1 准备模型文件​

必需文件：

  • PyTorch 模型文件（.pt 或 .pth）
  • 最大文件大小：500MB

建议文件：

  • 类别定义 YAML：定义检测类别名称，提高检测结果可读性
  • 校准数据集 ZIP：包含 32-100 张代表性图片，提高量化精度 5-15%（强烈建议提供）

校准数据集创建步骤：

# 1. 创建图片目录
mkdir calibration_images

# 2. 复制 32-100 张代表性图片
cp /path/to/your/images/*.jpg calibration_images/

# 3. 创建 ZIP 文件
zip -r calibration.zip calibration_images/

最佳实践：

  • ✅ 使用与生产数据相似的图片
  • ✅ 包含各种光照条件、角度
  • ✅ 图片数量 32-100 张
  • ❌ 避免重复或过于相似的图片

示例模型（项目提供）：

项目提供了一套完整的示例文件，位于 example/ 目录：

  • 模型文件：example/best.pt（6MB）- 30 类家居物品检测 YOLOv8 模型
  • 类别定义：example/test.yaml（531B）- 30 个类别名称（Banana, Apple, Orange 等）
  • 校准数据集：example/calibration.zip（10MB）- ~50 张代表性图片

模型详情：

  • 训练数据：家居垃圾分类数据集
  • 检测类别：30 个家居物品类别（水果、蔬菜、食品、包装等）
  • 适用场景：智能垃圾分类、库存管理、智慧家居

4.2 上传模型​

  1. 点击 "选择模型文件"
  2. 选择 .pt 或 .pth 文件

上传 PyTorch 模型文件

  1. （建议）上传 classes.yaml

上传类别定义文件

  1. （强烈建议）上传校准数据集 ZIP

上传校准数据集

4.3 选择转换预设​

预设输入尺寸精度速度适用场景
快速 ⭐256×256良好最快NE301推荐
平衡320×320较好快速质量较好
高精度480×480最好较慢高精度要求场景

推荐使用"快速"预设，在速度和精度之间取得最佳平衡，适合大多数边缘应用场景。

4.4 开始转换​

  1. 点击 "开始转换"
  2. 实时查看转换进度和日志

转换流程：

[步骤 1/4] PyTorch → TFLite (0-30%)
[步骤 2/4] TFLite 量化 (30-60%)
[步骤 3/4] NE301 准备 + mpool 自动修复 (60-70%)
[步骤 4/4] NE301 打包 (70-100%)

实时转换进度显示

4.5 下载结果​

转换完成后：

  1. 点击 "Download"
  2. 文件自动保存到本地

下载转换结果

4.6 模型验证（可选）​

转换完成后，建议在 NE301 设备上验证模型：

  1. 导入模型到 NE301 设备

导入模型到 NE301 设备

  1. 上传图片，NE301 将自动识别并呈现结果

NE301 设备模型验证

5. 常见问题​

Q: 校准数据集是必需的吗？

A: 不是必需的，但强烈建议提供。不提供时系统使用 fake 量化，精度可能降低 5-15%。详见 4.1 准备模型文件。

Q: 智能修复功能是什么？

A: v2.1 新增功能，自动诊断和修复 NE301 OOM 问题。系统会检测 mpool 配置错误并自动修复，确保模型成功加载。无需用户手动操作。

6. 附录​

6.1 常用命令速查​

# 查看日志
docker-compose logs -f

# 重启服务
docker-compose restart

# 停止服务
docker-compose down

# 检查服务状态
docker-compose ps

# 重新构建镜像
docker-compose build

6.2 环境变量配置​

创建 backend/.env 文件自定义配置：

# Docker 配置
NE301_DOCKER_IMAGE=camthink/ne301-dev:latest
NE301_PROJECT_PATH=/app/ne301

# 服务器配置
HOST=0.0.0.0
PORT=8000
DEBUG=False

# 日志级别
LOG_LEVEL=INFO

# 文件存储
UPLOAD_DIR=./uploads
TEMP_DIR=./temp
OUTPUT_DIR=./outputs
MAX_UPLOAD_SIZE=524288000  # 500MB

6.3 相关文档​

文档版本: 2.1.0
最后更新: 2026-03-19