辰龙OS训练营 2026S 导学作业第3题：使用 tpu-mlir 跑通 dog.jpg 目标检测，产出三张画框结果图。

使用算能 tpu-mlir 工具链，将 YOLOv5s 模型编译为 BM1684X 平台的 bmodel，并对 dog.jpg 进行目标检测，对比三种精度的检测效果。

• 平台：cnb.cool CI（Docker 容器）
• 镜像：sophgo/tpuc_dev:latest
• 工具：tpu_mlir Python 包

yolov5s.onnx
    │
    ├─ detect_yolov5 ──────────────────────→ dog_onnx.jpg
    │
    ├─ model_transform → yolov5s.mlir
    │       │
    │       ├─ model_deploy (F16)  → yolov5s_1684x_f16.bmodel
    │       │       └─ detect_yolov5 ──────→ dog_f16.jpg
    │       │
    │       ├─ run_calibration → yolov5s_cali_table
    │       └─ model_deploy (INT8) → yolov5s_1684x_int8_sym.bmodel
    │               └─ detect_yolov5 ──────→ dog_int8_sym.jpg

文件	模型	量化类型	说明
dog_onnx.jpg	yolov5s.onnx	FP32	原始精度，基准对比
dog_f16.jpg	yolov5s_1684x_f16.bmodel	F16	半精度，精度损失极小
dog_int8_sym.jpg	yolov5s_1684x_int8_sym.bmodel	INT8 对称量化	最终部署格式，推理速度最快

结果图片由 CI 产出，存放于 results/ 目录。

见 .cnb.yml，push 后自动触发。

• tpu-mlir Quick Start - Compile ONNX Model
• tpu-mlir GitHub
• SG2002 产品页
• 辰龙OS训练营 2026S