原始的量化转换工具，需要按照文档在终端输入各种命令以完成模型量化转换，同时可能还需要修改部分代码才能查看推理效果，门槛较高，稍有不慎就是满屏报错，小白使用起来只能说头皮发麻！
为此，我们开发了新一代模型量化转换工具，具有简洁的UI界面，操作简单，最短只需五分钟即可完成模型量化转换！同时，工具包含数据标注功能以及模型训练功能，进一步降低深度学习的使用门槛，小白也可快速上手！
感兴趣的朋友们一起来看看吧！相关问题欢迎大家注册加入地平线开发者社区交流讨论，完整文档及代码详见地平线开发者社区（点击文末阅读原文即可获取）。
请严格按照以下顺序操作：
（一）docker 下载安装
1、在PC端下载安装Docker，具体教程请访问官网链接
2、安装完成后需要打开Docker Desktop，并且确保Docker Desktop能够正常使用。
#在打开Docker Desktop后，打开PowerShell，输入以下命令，若没有报错信息，说明docker能够正常使用docker image list
（二）镜像下载与容器创建
1、Windows
下载镜像并创建启动容器（可选择运行exe程序或运行脚本，exe程序点击文末阅读原文获取，请确保C盘下至少有8G磁盘空间用于下载临时文件）。
注意：启动程序或运行脚本前请确保步骤1.1已完成，需要打开Docker并且可正常使用，否则程序会运行失败！！！！！！
Powershell脚本
//获取镜像 （7G左右的压缩包）Invoke-WebRequest -Uri ftp://vrftp.horizon.ai/AIoT/convert_toolchain_1.0.tar.gz -OutFile convert_toolchain_1.0.tar.gz//文件校验（eae49600ddc78572e9aecdac425553ed）Get-FileHash -Path convert_toolchain_1.0.tar.gz -Algorithm MD5//加载镜像（会比较久）docker load -i convert_toolchain_1.0.tar.gz//创建并启动容器docker run --name convert_toolchain_v1 -p 8080:5000 -p 8081:5001 -it --entrypoint="/usr/local/bin/start_convert_toolchain.sh" convert_toolchain:v1.0//启动容器docker start convert_toolchain_v1//关闭容器docker stop convert_toolchain_v1
2、Linux
shell脚本
##确保docker能够正常使用，输入后打印类似信息（Docker version 24.0.7, build afdd53b）docker --version##下载镜像（md5sum：eae49600ddc78572e9aecdac425553ed）wget -c ftp://vrftp.horizon.ai/AIoT/convert_toolchain_1.0.tar.gz##加载docker镜像docker load -i convert_toolchain_1.0.tar.gz（在convert_toolchain_.tar.gz的存放路径下执行，此步骤时间较长，请耐心等待）##创建并启动容器（容器未创建）docker run --name convert_toolchain_v1 -p 8080:5000 -p 8081:5001 -it --entrypoint="/usr/local/bin/start_convert_toolchain.sh" convert_toolchain:v1.0##启动容器（容器已创建）docker start convert_toolchain_v1##关闭容器docker stop convert_toolchain_v1
（三）启动量化转换工具链
打开Docker Desktop，选择Containers，运行容器（convert_toolchain_v1）即可，关闭同理。
若没有Docker界面，可在终端运行以下命令。
//启动容器docker start convert_toolchain_v1//关闭容器docker stop convert_toolchain_v1
启动容器之后打开浏览器访问http://localhost:8081，即可使用量化转换工具链。
接下来就可以体验我们新一代的量化转换工具链啦！量化转换过程只有三步，分别是模型选择，模型量化以及模型推理，简单易上手。
一、已有模型
（一）模型选择
设置已有模型，然后仅需要选择模型类型（目前支持Resnet18(赛道检测)与YOLOv5s两种模型），配置模型大小以及格式，并提供模型文件和校准图片。
操作流程及页面如下：
（二）模型量化
设置量化转换参数，一键即可完成模型量化转换，同时提供默认的量化转换参数，可直接使用！一键转换功能包括：模型检查->校准数据准备->模型编译。
（三）模型推理
上传图片检验模型量化的效果，并提供模型下载功能。再也不用手动修改代码了！
①模型检测：使用指定模型进行推理，并把推理结果输出到页面；
②下载bin模型：将bin模型下载到本地，bin文件可部署到RDK X3上用于推理（bin模型点击文末阅读原文获取）；
③下载所有模型：将量化过程中生成所有的模型下载到本地（包括onnx和bin）；
④清除所有缓存文件：将之前包括本次上传的文件以及量化过程中产生的文件全部清除，避免占用过多的内存。
（一）数据标注
该工具提供数据标注功能，可通过点击页面的数据标注平台跳转，也可在浏览器访问http://localhost:8080/。本标注功能基于Label Studio开源项目开发，支持各类形式的标注，同时支持Resnet18(赛道检测)、YOLOv5的数据集格式导出，导出数据集可直接用于训练！
1、创建项目
2、项目配置
①配置项目名称，项目描述等；
②导入图片数据（图片数据集点击文末阅读原文获取）；
③选择任务类型（赛道检测任务选择KeyPoint Labeling，yolov5选择Object Detection with Bounding Boxes）；
④选择任务类型之后，将原来的label清除，Add labe names配置标注信息，配置完成之后点击保存。
3、数据标注
①数据类型选择为img，可以看到每张图片；
②点击Label All Tasks后进入标注页面，若点击后出现Before you can annotate the data, set up labeling configuration，说明创建任务的时候没有进行labeling setup，此时点击Go to setup进行设置；
③点击Browse Templates后选择任务类型以及配置标注信息；
④点击race_center标签后标注，标注完成后需点击提交按钮。
4、导出数据集
所有数据标注完成之后，点击导出按钮，选择格式（赛道检测选择Resnet18 Race，障碍物检测选择YOLOV5），导出后的数据集可直接用于训练过程。
也可自行使用熟悉的标注工具进行标注，但注意最后用于训练的数据集有一定的格式要求！
（二）模型训练
该工具还提供模型训练的功能！首先，在模型选择阶段设置没有模型，然后选择模型类型，配置模型参数与训练参数后即可进行模型训练，右侧黑框会实时打印相关log。目前仅支持使用CPU进行训练，虽然速度慢，但用起来非常简单！不过也鼓励大家自己搭建环境使用GPU训练！具体可参考《YOLOV5 在地平线RDK X3的高效部署》。
操作流程及页面如下：
（三）模型量化+模型推理
模型训练完成后，其余步骤与已有模型的操作相同，具体请参考模型量化与模型推理。
点击了解地平线RDK X3系列购买方案???
点击“阅读原文”获取完整文档
