使用nncase模拟器验证转换效果出现报错sim.load_model(kmodel) RuntimeError怎么解决？

https://www.kendryte.com/k230_canmv/zh/main/zh/ai_dev_doc.html#id11 根据这个里面的例程(windows)修改文件地址后报错如下
C:InstallAnaconda3envsYOLOpython.exe C:AllPycharmProjectsyolov11toK230models_compare.py Traceback (most recent call last):  File "C:AllPycharmProjectsyolov11toK230models_compare.py", line 119, in     nncase_results = kmodel_inference(kmodel_path,kmodel_input_data,model_input_size)  File "C:AllPycharmProjectsyolov11toK230models_compare.py", line 76, in kmodel_inference    sim.load_model(kmodel)RuntimeError进程已结束，退出代码为 1测试了kmodel应该是没有问题的，如下：
import oskmodel_path = "./models/numDetect_yolov5su.kmodel"print("kmodel_path:", kmodel_path)print("File exists:", os.path.exists(kmodel_path))with open(kmodel_path, 'rb') as f:    kmodel = f.read()print("kmodel size:", len(kmodel))=============================================================================C:InstallAnaconda3envsYOLOpython.exe C:AllPycharmProjectsyolov11toK230test.py kmodel_path: ./models/numDetect_yolov5su.kmodelFile exists: Truekmodel size: 9768648进程已结束，退出代码为 0尝试了把nncase降级到2.8.3(原来是2.9.0)也没用
import osimport cv2import numpy as npimport onnxruntime as ortimport nncaseimport math# 参数定义IMG_PATH            = "../numDetect/dataset/data/images/test/0_91.jpg"MEAN                = [0, 0, 0]STD                 = [1, 1, 1]MODEL_INPUT_SIZE    = [320, 320]ONNX_MODEL          = "../numDetect/runs/detect/train/weights/best.onnx"   # ONNX 模型文件KMODEL_PATH         = "./models/yolov5su.kmodel" # kmodel 模型文件def get_onnx_input(img_path,mean,std,model_input_size):    # 读取图片，图片数据一般是RGB三通道，颜色范围为[0, 255.0]    image_fp32=cv2.imread(img_path)    # 如果模型输入要求是RGB的，则转换为RGB格式，如果要求是BGR的，则不需要转换    image_fp32=cv2.cvtColor(image_fp32, cv2.COLOR_BGR2RGB)    # 缩放成模型输入大小    image_fp32 = cv2.resize(image_fp32, (model_input_size[0], model_input_size[1]))    # 数据类型为float32,    image_fp32 = np.asarray(image_fp32, dtype=np.float32)    # 数据标准化,先归一化到[0,1]范围内，然后减均值除方差    image_fp32/=255.0    for i in range(3):        image_fp32[:, :, i] -= mean        image_fp32[:, :, i] /= std    # 按照模型输入要求处理成NCHW排布或者NHWC排布    image_fp32 = np.transpose(image_fp32, (2, 0, 1))    return image_fp32.copy()def get_kmodel_input(img_path,mean,std,model_input_size):    # 读取图片，图片数据一般是RGB三通道，颜色范围为[0, 255.0]    image_uint8=cv2.imread(img_path)    # 如果模型输入要求是RGB的，则转换为RGB格式，如果要求是BGR的，则不需要转换    image_uint8=cv2.cvtColor(image_uint8, cv2.COLOR_BGR2RGB)    # 缩放成模型输入大小    image_uint8 = cv2.resize(image_uint8, (model_input_size[0], model_input_size[1]))    # 数据类型为uint8,因为转换kmodel的时候开启了预处理，并且设定了标准化参数，因此这里的输入就不需要实现标准化了    image_uint8 = np.asarray(image_uint8, dtype=np.uint8)    # 按照模型输入要求处理成NCHW排布或者NHWC排布    image_uint8 = np.transpose(image_uint8, (2, 0, 1))    return image_uint8.copy()def onnx_inference(onnx_path,onnx_input_data):    # 创建 ONNX 推理会话（加载模型）    ort_session = ort.InferenceSession(onnx_path)    # 获取模型输出名称列表，用于后续调用推理    output_names = []    model_outputs = ort_session.get_outputs()    for i in range(len(model_outputs)):        output_names.append(model_outputs.name)    # 获取模型的输入信息    model_input = ort_session.get_inputs()[0]             # 第一个输入（通常只有一个）    model_input_name = model_input.name                   # 输入的名称（键）    model_input_type = np.float32                         # 输入数据类型，这里假设是 float32    model_input_shape = model_input.shape                 # 输入张量的形状（维度）    # 处理输入数据,需确保和模型输入形状一致    model_input_data = onnx_input_data.astype(model_input_type).reshape(model_input_shape)    # 执行推理，传入输入名称和数据，返回所有输出结果    onnx_results = ort_session.run(output_names, { model_input_name : model_input_data })    return onnx_resultsdef kmodel_inference(kmodel_path,kmodel_input_data,model_input_size):    # 初始化nncase 模拟器    sim = nncase.Simulator()    # 读取kmodel    with open(kmodel_path, 'rb') as f:        kmodel = f.read()    # 加载kmodel    sim.load_model(kmodel)    # 读取输入数据    input_shape = [1, 3, model_input_size[1], model_input_size[0]]    dtype = sim.get_input_desc(0).dtype    # 处理输入数据,需确保和模型输入形状一致    kmodel_input = kmodel_input_data.astype(dtype).reshape(input_shape)    # 设置模拟器输入tensor,此处为单输入    sim.set_input_tensor(0, nncase.RuntimeTensor.from_numpy(kmodel_input))    # 模拟器推理kmodel模型    sim.run()    # 获取推理输出    kmodel_results = []    for i in range(sim.outputs_size):        kmodel_result = sim.get_output_tensor(i).to_numpy()  # 转换为numpy数组        kmodel_results.append(kmodel_result)  # 保存到列表中    return kmodel_resultsdef cosine_similarity(onnx_results,kmodel_results):    output_size=len(kmodel_results)    # 将每个输出展成一维，然后计算余弦相似度    for i in range(output_size):        onnx_i=np.reshape(onnx_results, (-1))        kmodel_i=np.reshape(kmodel_results, (-1))        cos = (onnx_i @ kmodel_i) / (np.linalg.norm(onnx_i, 2) * np.linalg.norm(kmodel_i, 2))        print('output {0} cosine similarity : {1}'.format(i, cos))    returnif __name__ == '__main__':    img_path=IMG_PATH    mean=MEAN    std=STD    model_input_size=MODEL_INPUT_SIZE    # ONNX 模型文件    onnx_model = ONNX_MODEL    # kmodel 模型文件    kmodel_path = KMODEL_PATH    # 生成onnx模型输入数据    onnx_input_data = get_onnx_input(img_path,mean,std,model_input_size)    # 生成kmodel模型输入数据    kmodel_input_data = get_kmodel_input(img_path,mean,std,model_input_size)    # onnx模型推理    onnx_results = onnx_inference(onnx_model,onnx_input_data)    # kmodel模型推理    nncase_results = kmodel_inference(kmodel_path,kmodel_input_data,model_input_size)    # 计算输出相似度    cosine_similarity(onnx_results,nncase_results)        修改什么文件地址了
        

0