EfficientNetB0

开始之前，请先完成环境配置：

• Host 模型转换工具 — 安装 NeuroPilot Converter
• Device 环境配置 — 安装 Neuron SDK

Host 端模型转换

快速体验

如果只需在设备端快速运行模型，可以跳过 Host 端转换，直接使用预编译 DLA 模型。

克隆项目

Host PC

git clone https://github.com/Ronin-1124/nio12l-model-zoo.git
cd nio12l-model-zoo

下载模型

提示

如果还没有安装项目依赖，请先在项目根目录运行：

pip install -r requirements.txt

Host PC

cd examples/efficientnet_b0_classification/convert_model
conda activate np8
python download_model.py

准备校准数据

Host PC

cd ../../..
python prepare_calibration_data.py path=./datasets/imagenet100 imgsz=224

转换模型

Host PC

cd examples/efficientnet_b0_classification/convert_model
python convert_mtk_fp32.py
python convert_mtk_int8.py

转换完成后，在 examples/efficientnet_b0_classification/model/ 目录下生成：

• int8/efficientnet_b0_mtk_int8.tflite
• fp32/efficientnet_b0_mtk_fp32.tflite

Device 端部署

克隆项目

Device

git clone https://github.com/Ronin-1124/nio12l-model-zoo.git
cd nio12l-model-zoo

获取模型

方式一：下载预编译 DLA（推荐）

Device

wget -P examples/efficientnet_b0_classification/model/int8 https://github.com/Ronin-1124/nio12l-model-zoo/releases/download/v2026.05.11-dla/efficientnet_b0_int8.dla
wget -P examples/efficientnet_b0_classification/model/fp32 https://github.com/Ronin-1124/nio12l-model-zoo/releases/download/v2026.05.11-dla/efficientnet_b0_fp32.dla

方式二：从 Host 端转换

传输模型

将 Host 端生成的 tflite 文件传输到设备端：

Host PC

scp efficientnet_b0_mtk_int8.tflite <user>@<device>:/path/to/nio12l-model-zoo/examples/efficientnet_b0_classification/model/int8/
scp efficientnet_b0_mtk_fp32.tflite <user>@<device>:/path/to/nio12l-model-zoo/examples/efficientnet_b0_classification/model/fp32/

转换为 DLA

Device

cd examples/efficientnet_b0_classification/model/int8
ncc-tflite --arch=mdla2.0 -d efficientnet_b0_int8.dla efficientnet_b0_mtk_int8.tflite
cd ../fp32
ncc-tflite --arch=mdla2.0 -d efficientnet_b0_fp32.dla efficientnet_b0_mtk_fp32.tflite --relax-fp32

编译

Device

cd /path/to/nio12l-model-zoo
cmake -S . -B build
cmake --build build -j

运行

默认使用 INT8 模型：

Device

./build/efficientnet_b0_classification_demo

使用 FP32 模型：

Device

./build/efficientnet_b0_classification_demo --fp32

性能参考（1000 次推理取平均耗时）：

精度	耗时 (ms)	帧率 (FPS)
INT8	11.923	83.87
FP32	20.975	47.68

结果保存在 outputs/efficientnet_b0_classification/classifications/。