保姆级教程：RK3588部署yolo目标检测模型

本文用到的板卡设备为鲁班猫4（LubanCat-4），瑞芯微rk3588系列处理器。

官方文档写的挺详细了，但是版本太多不统一，而且涉及了多个代码仓库，稍显杂乱。本着最少代码原则，仅需下载一个代码仓库，将整个实践过程记录一下。

整体分为两大块：

• PartA：在PC上，训练yolo目标检测模型（.pt格式）；再转为.onnx格式；最后转为.rknn格式。
• PartB：在板卡上，运行rknn格式的模型。

PartA 得到rknn格式的模型

1.数据集准备与模型训练

此类教程太多，此处省略，训练得到.pt格式的模型。（本文用的是yolov8版本）

2.pt转onnx

        虽然yolo的官方库ultralytics也提供了直接导出onnx模型的接口，但是转出来的模型格式有差异，与后续代码不匹配，因此采用下面的代码库（基于yolo的官方库ultralytics做了修改）。

克隆该仓库的代码：https://github.com/airockchip/ultralytics_yolov8

# 调整 ./ultralytics/cfg/default.yaml 中 model 文件路径为自己所训练的模型路径

export PYTHONPATH=./
python ./ultralytics/engine/exporter.py

# 执行完毕后，会生成 ONNX 模型. 假如原始模型为 yolov8n.pt，则生成 yolov8n.onnx 模型。

3.onnx转rknn

3.1环境准备 

根据你的python版本去https://github.com/airockchip/rknn-toolkit2/tree/master/rknn-toolkit2/packages/x86_64 下载requirements_xxx.txt 和 rknn_toolkit2-xxx.whl (不用下载整个代码库，太大了用不着)

# 以python3.9为例
pip install -r requirements_cp39-2.3.2.txt
pip install rknn_toolkit2-2.3.2-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl

3.2 转换

代码convert.py（参考官方）

import sys 
from rknn.api import RKNN

DATASET_PATH = './quant_dataset.txt'
DEFAULT_RKNN_PATH = './yolov8.rknn' #转换后的模型路径
DEFAULT_QUANT = True  # 是否需要量化

def parse_arg():
    if len(sys.argv) < 3:
        print("Usage: python3 {} onnx_model_path [platform] [dtype(optional)] [output_rknn_path(optional)]".format(sys.argv[0]));
        print("       platform choose from [rk3562, rk3566, rk3568, rk3576, rk3588, rv1126b, rv1109, rv1126, rk1808]")
        print("       dtype choose from [i8, fp] for [rk3562, rk3566, rk3568, rk3576, rk3588, rv1126b]")
        print("       dtype choose from [u8, fp] for [rv1109, rv1126, rk1808]")
        exit(1)

    model_path = sys.argv[1]
    platform = sys.argv[2]

    do_quant = DEFAULT_QUANT
    if len(sys.argv) > 3:
        model_type = sys.argv[3]
        if model_type not in ['i8', 'u8', 'fp']:
            print("ERROR: Invalid model type: {}".format(model_type))
            exit(1)
        elif model_type in ['i8', 'u8']: