1. 从拿到板子到跑通demo，先看清QCS6490这条路的全貌
做边缘端目标检测的同行应该都有体会：在PC上用x86跑YOLO是一回事，把它弄到一颗ARM架构的SoC上高效跑起来是另一回事。我这次的项目是把YOLOv11的旋转目标检测版（就是yolov11_obb，OBB全称Oriented Bounding Box，旋转框检测，常用来检测航拍图里方向任意的目标，比如船舶、车辆、农田地块这类不能用水平框准确框住的对象）部署到高通跃龙QCS6490这颗芯片上，整个工具链用的是高通官方的QNN SDK。
先交代一下背景，免得后面讲避坑时大家不知道我在说什么场景。QCS6490是高通跃龙（Qualcomm Dragonwing）家族的边缘计算SoC，CPU部分是八个Kryo核心，AI算力主要来自内部的Hexagon DSP NPU模块。这颗芯片在工业手持终端、AI盒子、机器人主控这类产品里很常见，它最吸引人的地方是支持高通自己的QNN（Qualcomm Neural Network）运行时，能把模型推理任务卸载到NPU上执行，功耗和延迟都比纯CPU跑要好很多。
这次任务的目标听起来很简洁：把一个训练好的yolov11_obb PyTorch模型，经过QNN SDK工具链完成格式转换和量化，最终在QCS6490的NPU上跑出推理结果，并且定位出一两个关键坑。但实际上这条路走下来，涉及的环节相当多：环境准备、模型导出、ONNX转换、量化校准、QNN工具链编译、NPU运行时部署、后处理对齐。每一个环节都有各自的坑，环环相扣。
本文不是给QNN SDK写说明书，而是记录我在真实板子上部署yolov11_obb时踩过的坑、比对过的方案、验证过的参数，以及最终沉淀下来的可复用流程。适合以下读者：手里有QCS6490或同系列高通跃龙平台、想把YOLO系列模型部署到NPU上跑的开发者；已经被QNN SDK命令搞晕、想找一条更完整参考路径的同行；以及纯粹对边缘端AI部署流程感兴趣、想了解整套工具链怎么配合的人。
有一点需要提前说明：本文所有步骤都是我在实际部署中验证过的组合，但QNN SDK的版本迭代非常快，不同版本之间命令参数、工具路径可能略有差异。我会在文中标出关键版本信息，方便你对照自己的环境做调整。核心思路和踩坑逻辑是不变的，换了版本也能用得上。
