k230-yolo-pipeline

name k230-yolo-pipeline description 智能 K230 YOLO 训练部署助手。自动配置环境(WSL/Linux)、划分数据集、训练YOLO、导出ONNX、转kmodel。当用户说：训练YOLO、转kmodel、K230部署、训练模型、帮我训练时触发。 K230 YOLO 智能训练部署助手 概述 当用户说「帮我训练YOLO部署到K230」时，你应当： 自动检测并配置环境 — Conda、CUDA、YOLO、nncase 一键装好 分析用户的数据集，询问关键参数 自动完成：划分数据集 → YOLO训练 → ONNX导出 → kmodel转换 报告结果和部署说明 全程无需用户手动安装任何依赖。 Phase 0: 自动环境配置 这是本 skill 的核心升级。用户不需要提前装任何东西。 0.1 检测平台 uname -a # Linux / WSL ? cat /proc/version 2>/dev/null | grep -i microsoft # WSL检测 三种情况： 平台 策略 Linux 直接执行所有命令 WSL 通过 wsl 命令转发，路径自动转换 /mnt/c/... Windows 原生 引导用户安装 WSL: wsl --install 0.2 检测 Conda # 查找 Conda ls ~/miniconda3/bin/conda ~/anaconda3/bin/conda /opt/conda/bin/conda 2>/dev/null which conda 2>/dev/null # 如果没找到 → 自动安装 Miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh -b -p ~/miniconda3 ~/miniconda3/bin/conda init bash 0.3 自动配置 YOLO 训练环境 ( yolov8 ) # 如果环境不存在 → 自动创建 conda create -n yolov8 python=3.10 -y conda run -n yolov8 pip install ultralytics torch torchvision onnx onnxsim 0.4 自动配置 kmodel 转换环境 ( nncase_env ) conda create -n nncase_env python=3.10 -y conda run -n nncase_env pip install nncase onnx onnxsim opencv-python-headless 0.5 CUDA 检测 conda run -n yolov8 python -c " import torch print(f'CUDA: {torch.cuda.is_available()}') print(f'GPU: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else " N/A "}') " CUDA 可用 → GPU 训练 ⚡ CUDA 不可用 → 自动退化为 CPU 训练（并提醒用户装 CUDA） 0.6 环境完整性验证 运行 scripts/setup_env.sh 可以一键完成所有上述检测和安装。如果检测到环境有问题，引导用户运行此脚本： bash <skill_path>/scripts/setup_env.sh 也可以由你（Claude）逐项执行上面的检查和安装命令。 0.7 向用户报告 ✅ 环境就绪! 平台: WSL (Ubuntu) Conda: /home/user/miniconda3 yolov8: ultralytics 8.4.21 + torch 2.4.1 (CUDA) nncase: nncase 2.8.0 + onnxsim 0.5.0 GPU: NVIDIA RTX 4060 ⚡ Phase 1: 分析输入 扫描数据集文件夹： # 统计 ls <input>/*.{jpg,png,bmp} 2>/dev/null | wc -l ls <input>/*.txt 2>/dev/null | wc -l # 取样检查标签格式 head -3 <input>/*.txt 2>/dev/null 报告：图片数、标签数、配对率、类别数、格式是否正常。 Phase 2: 询问用户 必问: 类别名称: 每个 class_id 对应什么？ 输出目录: 默认 ./yolo_output 可选(默认值可直接跳过): 基础模型: yolov8s (n/s/m/l/x) 训练轮数: 100 输入尺寸: 224 (K230 推荐) 其他: batch, lr, 量化选项等 Phase 3: 划分数据集 python <skill_path>/scripts/split_dataset.py \ --input <输入目录> --output <输出目录> \ --names "类别1,类别2,..." 验证输出文件完整性。 Phase 4: WSL/Linux 训练 # 根据平台选择执行方式 TRAIN_CMD= "conda run -n yolov8" # WSL 下加 wsl 前缀 [ -n " $IS_WSL " ] && TRAIN_CMD= "wsl $TRAIN_CMD " $TRAIN_CMD yolo train \ model=yolov8s.pt \ data=<data.yaml路径> \ epochs=<指定轮数> imgsz=<指定尺寸> batch=-1 device=0 \ project=./runs name=train exist_ok=True # 导出 ONNX $TRAIN_CMD yolo export \ model=./runs/train/weights/best.pt \ format=onnx imgsz=<尺寸> opset=11 simplify= true 训练中断处理 检查 runs/train/weights/ 下是否有 last.pt 可以 resume: yolo train resume model=runs/train/weights/last.pt Phase 5: 转换 kmodel # 准备校准数据 mkdir -p <输出目录>/calibration_data cp <输出目录>/images/val/* <输出目录>/calibration_data/ 2>/dev/null || true # nncase 编译 KMCONV_CMD= "conda run -n nncase_env" [ -n " $IS_WSL " ] && KMCONV_CMD= "wsl $KMCONV_CMD " $KMCONV_CMD python <skill_path>/scripts/to_kmodel.py \ --model <输出目录>/best.onnx \ --input_width <尺寸> --input_height <尺寸> \ --dataset <输出目录>/calibration_data \ --ptq_option 1 转换失败处理 错误 处理 PTQ 量化失败 重试 --ptq_option 0 (float32) ONNX 算子不支持 用 onnxslim 进一步精简 OOM 减少 --calib_samples Phase 6: 报告 🎯 K230 YOLO 训练部署完成! ───────────────────────────────── 📦 输出: ./yolo_output best.kmodel (22.8 MB) ← K230 部署 best.onnx (42.1 MB) best.pt (21.5 MB) test_images/ (12 张) 📌 部署命令: cp ./yolo_output/best.kmodel /sdcard/kmodel/ ⚠️ 注意: K230 代码的 model_input_size 需设为 {imgsz}x{imgsz} conf_thresh 建议 0.5~0.6 关键脚本 脚本 功能 执行位置 scripts/setup_env.sh 自动配置全部环境 (Conda + YOLO + nncase + CUDA) WSL/Linux scripts/split_dataset.py 数据集划分 + data.yaml 任意平台 scripts/to_kmodel.py ONNX → kmodel (nncase PTQ量化) WSL/Linux 路径处理 Windows → WSL 路径转换规则: C:\Users\xxx\datasets → /mnt/c/Users/xxx/datasets 用 wslpath 或字符串替换均可。 注意事项 Conda 安装需要网络 ：如果用户网络受限，引导手动安装 CUDA 可选 ：没有 GPU 也能跑，只是慢 nncase 目前仅 Linux/WSL ：Windows 原生不支持 标签格式 ：必须是 YOLO 格式 class x_center y_center w h (归一化)