电赛专题：如何在Windows系统上将 YOLO 的 PT 模型转换成 KModel

问题描述

这里开发了YOLO onnx模型转换kmodel的软件，欢迎大家下载使用，并提出意见。软件免配环境，一键转换。下载链接如下：
YOLO-KModel-Converter-Portable-Slim-Win

电赛即将开始，很多小伙伴需要训练自己的 YOLO 模型。

对于电赛这类相对简单的应用场景，通常采集 100 张左右的图片，就可以在本地使用 CPU 完成模型训练，不一定必须使用云端 GPU。

近期云端训练资源可能比较紧张，提交任务后可能需要排队较长时间。由此给大家带来的不便，敬请谅解。建议大家尽早准备数据；如果模型和数据量较小，也可以优先尝试在自己的电脑上训练。

模型训练完成后，我们得到的通常是 best.pt，但 K230 开发板需要使用 .kmodel 模型。如果不会转换，可以按照本文操作。

整个过程分为两步：

best.pt → best.onnx → best.kmodel

一、准备转换环境

nncase 转换 KModel 需要三个环境：

1. .NET 7.0；
2. Python 3.9～Python 3.12；
3. nncase 和 nncase-kpu。

Python 请自行安装，建议安装 64 位版本。下面只介绍 .NET、nncase 和 nncase-kpu。

1. 安装 .NET 7.0

打开 .NET 7.0 下载页面。

找到 .NET 7.0 SDK，选择：

Windows x64 安装程序

注意：需要下载 SDK，不要只下载 Runtime。

下载完成后，双击安装。

安装目录一般是：

C:\Program Files\dotnet

如果安装后无法使用，需要把这个目录添加到系统环境变量 Path：

1. 按 Win + R；
2. 输入 sysdm.cpl；
3. 选择“高级”；
4. 点击“环境变量”；
5. 在系统变量中找到 Path；
6. 添加 C:\Program Files\dotnet；
7. 保存并重新打开命令行。

在 CMD 中输入：

dotnet --version

能够显示 7.0 开头的版本号，说明安装成功。

2. 安装 nncase

打开 CMD，输入：

pip install nncase==2.11.0

3. 安装 nncase-kpu

Windows 不能直接在线安装 nncase-kpu，需要先下载 .whl 安装包。

打开 nncase 下载页面，找到 2.11.0 版本，nncase-kpu 2.11.0下载链接, 下载：

nncase_kpu-2.11.0-py2.py3-none-win_amd64.whl

下载完成后，在文件所在文件夹的地址栏输入 cmd，按回车打开命令行。

然后输入：

pip install nncase_kpu-2.11.0-py2.py3-none-win_amd64.whl

注意：nncase 和 nncase-kpu 的版本必须相同。本文都使用 2.11.0。

4. 安装其他依赖

在 CMD 中输入：

pip install onnx==1.15.0 onnxruntime==1.19.0 onnxsim==0.4.36

至此，模型转换环境安装完成。

二、下载模型转换脚本

打开嘉楠官方文档：

K230 YOLO 大作战

也可以直接点击下面的链接下载对应转换工具：

• YOLOv5 转换工具：test_yolov5.zip
• YOLOv8 转换工具：test_yolov8.zip
• YOLO11 转换工具：test_yolo11.zip
• YOLO26 转换工具：test_yolo26.zip

下载后直接解压。

解压后的文件夹中，会按照模型任务继续分类：

detect     目标检测
classify   图像分类
segment    实例分割
pose       姿态估计
obb        旋转目标检测

例如，使用 YOLO11 训练的是目标检测模型，就选择：

test_yolo11\detect

不同 YOLO 版本和不同任务的转换脚本不能混用。

三、将 PT 转换成 ONNX

1. YOLOv8、YOLO11 或 YOLO26

先安装 Ultralytics：

pip install ultralytics

将 best.pt 放在一个容易找到的文件夹中。在该文件夹的地址栏输入 cmd，然后执行：

yolo export model=best.pt format=onnx imgsz=320

参数说明：

如果模型训练时使用的是 640×640 输入尺寸，则执行：

yolo export model=best.pt format=onnx imgsz=640

转换完成后，文件夹中会出现：

best.onnx

2. YOLOv5

YOLOv5 需要在 YOLOv5 源码目录中进行转换。

把 best.pt 放进 YOLOv5 源码目录，然后在该目录打开 CMD，执行：

python export.py --weight best.pt --imgsz 320 --batch 1 --include onnx

参数说明：

如果提示没有 --weight 参数，可以改用：

python export.py --weights best.pt --imgsz 320 --batch-size 1 --include onnx

这里的 --weights 与前面的 --weight 含义相同，--batch-size 1 与 --batch 1 含义相同，只是不同 YOLOv5 版本使用的参数名称不同。

转换完成后会得到 best.onnx。

四、将 ONNX 转换成 KModel

以 YOLOv8 目标检测模型为例。

打开下面的文件夹：

test_yolov8\detect

把 best.onnx 复制到这个文件夹中。

脚本还需要一些图片进行模型量化。可以先使用转换工具中自带的：

calibration_data

在 detect 文件夹的地址栏输入 cmd，打开命令行。

输入下面的命令：

python to_kmodel.py --target k230 --model best.onnx --dataset ../calibration_data --input_width 320 --input_height 320 --ptq_option 0

参数说明：

ptq_option 可选值：

如果 ONNX 模型的输入尺寸是 640×640，则改为：

python to_kmodel.py --target k230 --model best.onnx --dataset ../calibration_data --input_width 640 --input_height 640 --ptq_option 0

转换完成后，会生成：

best.kmodel

如果使用的是其他版本或其他任务，只需要进入对应的文件夹。

例如：

YOLOv5 目标检测：test_yolov5\detect
YOLOv8 实例分割：test_yolov8\segment
YOLO11 姿态估计：test_yolo11\pose
YOLO26 目标检测：test_yolo26\detect

进入正确的文件夹后，使用同样格式的 to_kmodel.py 命令即可。

五、需要注意的地方

1. nncase 和 nncase-kpu 必须使用相同版本；
2. 本文使用的版本是 2.11.0；
3. 必须安装 .NET 7.0 SDK；
4. PT 转 ONNX 和 ONNX 转 KModel 使用的输入尺寸必须一致；
5. YOLO 版本和转换脚本必须对应，例如 YOLO26 使用 test_yolo26；
6. 模型任务和脚本文件夹必须对应。

完成以上步骤，就可以得到 K230 可使用的 .kmodel 模型。

参考资料

• K230 YOLO 大作战
• Windows 下 AICube 使用前如何配置 dotnet 环境
• nncase Releases

硬件板卡

K230

软件版本

Daily Build，链接：https://download.kendryte.com/developer/releases/canmv_k230_micropython/daily_build/

其他信息

固件下载：https://download.kendryte.com/developer/releases/canmv_k230_micropython/daily_build/