模型处理

model-evaluation

传统机器学习模型评估模板（代码入口 job-template/job/model_evaluation/launcher.py）。

入参：

• true_dataset_path：真实数据集地址，如 /mnt/admin/pipeline/example/ml/train.csv
• true_label_column：真实数据集 label 列，如 y
• pred_dataset_path：预测数据集地址，如 /mnt/admin/pipeline/example/ml/inference_result.csv
• pred_label_column：预测数据集 label 列，如 y
• save_result_path：评估结果保存地址，如 /mnt/admin/pipeline/example/ml/evaluation.json
• eval_type：评估类型/指标，如 分类-accuracy（多个指标用逗号分隔）
• model_type：模型类型，如 classify（分类还是回归）

模型转换（model-convert）

将 PyTorch / YOLO 模型导出成 ONNX，并可进一步分发到边缘多格式（OpenVINO/NCNN/MNN/TFLite/RKNN/TensorRT engine/SDK lib）。

⚠️ 已按代码更新：源使用文档此处描述的是旧版接口（model-path/onnx-path/framework/supported-pipelines/opset）。当前模板 job-template/job/model-convert/start.py:20-44 已重构，入参如下，请以代码为准。

入参（当前版本）：

• model_type：模型种类，yolo 或 torch，默认 torch
• model_path：待转换的 PyTorch 模型文件路径
• arch：model_type=torch 时的架构名，可留空让脚本猜测
• input_name：ONNX 输入名，多输入用逗号分隔，none 表示自动
• output_name：ONNX 输出名，多输出用逗号分隔，none 表示自动
• export_model_path：导出 ONNX 的完整路径（含文件名），其它格式产物会落到同目录，默认 /mnt/pipeline/example/export-onnx/export.onnx
• do_quantize：是否对 ONNX 做 INT8 动态量化，生成 *-int8.onnx，默认 false
• onnx2engine：是否生成 TensorRT FP32/FP16 engine 文件（等价于把 engine 加进 --export_format），默认 false
• export_format：导出格式列表，逗号分隔，可选 onnx,openvino,ncnn,mnn,tflite,rknn,engine,lib，默认 onnx（ONNX 是其它 backend 的前置产物，会自动补上）
• rknn_target_platform：RKNN 目标芯片，如 rk3566/rk3568/rk3588/rk3399pro/rv1103/rv1106 等，默认 rk3588
• lib_target：lib 输出平台，linux 产 .so / windows 产 .dll / both 两者都产，默认 linux
• lib_precision：lib 嵌入的 ONNX 精度，fp32 直接嵌入，fp16 先转 fp16 再嵌入，默认 fp32
• lib_name：生成的库基础名称（不含前后缀），默认 model_inference