处理：Conv→ReLU→ConvTranspose(上采样)→Conv→ReLU→Conv→ReLU。- cv2输出经过DFL处理链（Reshape→Transpose→Softmax→Conv→Slice→数学运算）→最终bbox坐标。2. cv4头 → 经过Reshape和Concat操作形成掩码系数 → 存储在output0的最后32个通道中。作用: 输出边界框回归参数，64个通道对应4个

数值越高表示模型越确信检测到了物体。- [x_center, y_center, width, height] 或 [x_min, y_min, x_max, y_max]- 形状：[1, 4, 80, 80] (x, y, w, h for 80x80 grid)- 形状：[1, 4, 40, 40] (x, y, w, h for 40x40 grid)- 形状：[1, 4, 20, 20]

onnx模型导出附带nms：替换process_box_output函数为以下。以上连接是onnx 常规导出。

将坐标转换为 numpy 数组。# 构造对应的标签文件路径。# 将归一化坐标转换为实际坐标。# 构造输出文件路径。# 请替换为实际的图像、标签和输出目录路径。# 提取归一化的坐标。# 在图像上绘制掩码。# 遍历图像目录中的所有文件。# 确保输出目录存在。

cv2.BORDER_REPLICATE：复制，复制最边缘像素进行填充（aa | abcdefg | gg），中值滤波采用复制法。cv2.BORDER_REFLECTT_101：倒映法，以图像最边缘像素为轴进行对称填充（dcb| abcdefg | fed）cv2.BORDER_CONSTANT：以常量像素值（value）填充扩充的边界（VV | abcdefg | VV）cv2.BORDER_R

yolov5训练结果解析_XiaoGShou的博客-CSDN博客_yolov5训练结果分析

把编译环境中用到的librknnrt.so 库，复制到板端的/usr/lib库就行。在板端运行报错，解决：librknnrt.so 库不匹配。

1.进入ffmpeg_instal的lib目录下的pkgconfig文件夹，拷贝pkgconfig路径。输出：-I/home/zeng/FFmpeg/my_install/include。解压后新建目录：Fmpeg-n3.4.13/ffmpeg_install。执行：pkg-config--cflagslibavformat。设置pkg-config变量PKG_CONFIG_PATH。交叉编译工具

4. 量化/精度影响: 若某些算子输入格式NPU无法处理，则必须由CPU执行。2. 某些算子因结构特殊、数据依赖复杂或未被NPU支持，会被"fallback"到CPU执行。- Cast: 类型转换若发生在NPU不支持的精度路径上，需CPU做格式转换。- Reshape: 多数Reshape是元数据操作，但若涉及非连续内存重排，则会触发CPU执行。RKNN模型在RK3576上CPU算子运行的原因。2

改为 ：find_package(OpenCV QUIET COMPONENTS opencv_world opencv_core opencv_imgproc opencv_highgui opencv_calib3d opencv_videoio opencv_imgcodecs dnn)将 ：find_package(OpenCV QUIET COMPONENTS opencv_world)