BSP + 模型部署手册
从板级支持到量产部署，一本手册跑通

# 1) 安装 huayun CLI
curl -fsSL https://get.huayuniot.com/cli | bash
huayun env check           # 校验宿主机依赖
huayun auth login --token $HUAYUN_TOKEN

# 2) 拉取 BSP（manifest 锁定版本）
repo init -u https://manifest.huayuniot.com/bsp -b v2.4.0
repo sync -j8
huayun bsp verify --manifest bsp-manifest.json  # 验签

# 3) 烧录官方镜像（跳过本地编译）
huayun flash --board hy-edge-x1 \
  --image out/hy-edge-x1/hy-edge-x1_v2.4.0.img --port /dev/ttyUSB0

# 串口登录：user/huayun  IP: 192.168.1.10（USB-RNDIS）

# 4) 量化 → 编译 → 推送 → 在环（与 developers.html 一致）
huayun pipeline run \
  --model yolov8n.onnx --calib coco_calib_500/ \
  --target npu-v2 --board hy-edge-x1 \
  --hil auto --ota-diff --from v2.3.0

# 流水线产物自动落入 BSP 叠加层：
#   /data/models/yolov8n_npu-v2.hyb
#   /data/models/yolov8n.json (meta)

# 5) 板端首帧推理（SSH 到板子）
ssh user@192.168.1.10
hy-rt run --model /data/models/yolov8n_npu-v2.hyb \
  --input /data/samples/bus.jpg --dump result.json
cat result.json | jq .latency_ms
# → 3.18 ms  mAP 0.408  ✓

# 1) 量化（PTQ，200 张校准集，KL 散度）
huayun quantize \
  --model yolov8n.onnx --calib coco_calib_500/ \
  --precision int8 --metric kl --per-channel --export-report
# → yolov8n_int8.onnx  + quant_report.html
# 体积 12.4 MB → 3.2 MB (-74%)  mAP 0.412 → 0.408

# 2) 编译到 NPU-v2（同模型可多编译）
huayun compile \
  --model yolov8n_int8.onnx --target npu-v2 --opt O2 \
  --memory-plan reuse --dump-perf
# LAT 8.4 ms → 3.1 ms  MEM 4.8 MB → 3.1 MB  融合 24→16 ops

# 3) 主机侧仿真（不上板）
huayun simulate \
  --artifact yolov8n_npu-v2.hyb --samples val_200/ --mode numeric+timing
# cos_sim mean 0.992  min 0.978 (layer14)  SNR 31.4 dB

# 4) 在环真测 + 自动部署到板端 /data/models
huayun hil run \
  --artifact yolov8n_npu-v2.hyb \
  --device npu-v2@192.168.1.10 \
  --samples val_200/ --profile --deploy
# 部署路径：/data/models/yolov8n_npu-v2.hyb (board /data)
# HIL: p50 3.18 ms p95 3.42 ms  NPU 87%  DDR 1.2 GB/s
# 准确率 mAP 0.406 (Δ -0.002 vs 仿真)  HIL 通过 184/200

# 5) 板端推理（或宿主机远程）
huayun hil replay --case fail_07.jpg  # 异常回灌
hy-rt run --model /data/models/yolov8n_npu-v2.hyb --input bus.jpg
# 一键流水线等价：
huayun pipeline run --model yolov8n.onnx --calib coco_calib_500/ \
  --target npu-v2 --board hy-edge-x1 --hil auto --deploy

#include "hy_npu.h"
hy_model_t *m = hy_npu_load("/data/models/yolov8n_npu-v2.hyb");
hy_tensor_t in = { .data = img, .size = 640*640*3 };
hy_tensor_t out;
hy_npu_run(m, &in, &out);          // 3.1 ms @ NPU-v2
hy_npu_unload(m);

from hy_npu import Model
m = Model("/data/models/yolov8n_npu-v2.hyb")
for img in dataset:
    r = m.infer(img)                # dict: boxes, scores
    print(r["latency_ms"], r["boxes"][:1])