懒人的技术笔记

本次实践成功在RK3588安卓平台上部署了YOLOv5目标检测模型，并充分利用其NPU硬件加速能力，实现了高效的边缘计算推理。通过本Demo，我们完成了从模型转换（PyTorch→RKNN）、JNI接口封装到安卓应用集成的全流程验证，为后续产品级AI应用开发提供了可复用的技术方案。

今天深入分析了rknn_model_zoo中YOLOv5的C++示例代码，包括：- 模型加载与初始化的完整流程（init_yolov5_model）- 图像预处理中的Letterbox实现细节- NPU推理过程的关键API调用（rknn_inputs_set/rknn_run）- 后处理中的置信度过滤与NMS实现

PPOCR-Det核心功能实现**文字区域检测**，基于DB++（Dynamic Binarization++）算法改进，支持多尺度特征融合和自适应阈值预测。

Docker启动后，来到rknn_model_zoo中mobilenet的示例目录│ ├── cpp # Cpp项目例子，部署会用到 │ ├── model # 模型目录 │ │ ├── bell.jpg # 例子中用到的待检测图片 │ │ ├── download_model.sh # 下载模型脚本 │ │ └── synset.txt # ImageNet类别标签文件 │ └── python # Python工具链 | └── mobilenet.py # 核心工具脚本。

从V1到V4，MobileNet的演进体现了轻量化模型设计的三大趋势：**自动化架构搜索**、**硬件协同优化**与**通用性提升**。随着MobileNet V4在移动生态中的普及，边缘智能将加速渗透至智能安防、工业检测、远程医疗等领域。

RKNN-Toolkit2支持的深度学习框架包括Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet和PyTorch。

瑞芯微的NPU工具集调整后放到新的仓库，名曰，它包括toolkit2和toolkit-lit2，以及rknpu2。下面简单介绍这三个库都是干什么的。

本文详细介绍了在 **Ubuntu 22.04** 系统下搭建 **RKNN SDK V2.3.0** 开发环境的完整流程，并实现了在 **RK3588 开发板（Android 系统）** 上通过 **NPU 加速** 运行 **YOLOv5 目标检测模型**（万字详述）。