rk3566部署yolov8

原创 已于 2025-05-30 10:19:51 修改 · 419 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#YOLO #linux

于 2025-05-30 09:58:08 首次发布

解决vscode中无法ssh到香橙派：

类似下面的问题

打开powershell

y in C:\\Users\\Lml/.ssh/known_hosts to get rid of this message.
> Offending ECDSA key in C:\\Users\\Lml/.ssh/known_hosts:28
> Host key for 192.168.243.220 has changed and you have requested strict checking.
> Host key verification failed.
> 过程试图写入的管道不存在。
[21:51:05.560] "install" terminal command done
[21:51:05.560] Install terminal quit with output: 过程试图写入的管道不存在。
[21:51:05.560] Received install output: 过程试图写入的管道不存在。
 cd ~/.ssh
ssh-keygen -R 你的远程ip

安装/更新RKNPU2环境

简单说明：使用到包：Releases · airockchip/rknn-toolkit2        可以看到以往和最新的版本

主要是里面包含的rk

最低0.47元/天 解锁文章
RK3568笔记五十六：yolov8_obb旋转框训练部署
08-20 643
若该文为原创文章，转载请注明原文出处。本文基于rknn_model_zoo和山水无移大佬的博客和代码训练模型并部署到正点原子的ATK-DLRK3568板子测试。
RK3566中NPU例程序使用SSD
qq_39097955的博客
12-09 4958
所需资源： Ubantu16.04（虚拟机） RK356X开发板 RKNN_SDK文件夹 RKNN_SDK文件夹获取 https://www.t-firefly.com/doc/download/106.html 也可直接访问百度云盘： https://pan.baidu.com/s/1ZVKGD0nrlTFC-jDSTAjqbg#list/path=%2F 1.在Ubantu桌面创建文件夹RK mkdir RK 拷贝文件夹RKNN_SDK\rknn-toolkit2-1.1.0b0\rknnr
【yolov8系列】将yolov8-seg 模型部署到瑞芯微RK3566上
magic_ll的博客
07-27 6860
前言之前记录过，整体比较流畅，记录了onnx转rknn的相关环境配置，使用的rk版本为rknn-toolkit2-v1.4.0。当前库已经更新为1.5，这里还是沿用1.4的版本进行记录。本篇博客是在上篇博客（yolov5的rk3566的部署）的基础上，记录下yolov8n-seg的模型在3566上的部署过程。若精度异常可查看官方提供文档，写的比较详细。这里说明下自己遇到的问题：yolov8模型模型进行全量化结果异常yolov8模型在PC端模拟器的运行结果时，板端运行结果异常。
rk3566(泰山派)部署yolov5
2301_79057100的博客
07-11 1229
泰山派rk3566部署yolov5
如何在 RK3566 上部署 YOLOv8：从模型转换到边缘实时推理
zedyer的博客
10-23 1123
本文介绍如何在 RK3566 上部署 YOLOv8 模型，包含从模型导出、量化转换到设备端推理的完整步骤，适合嵌入式 AI 开发者与工程实践者。
【 嵌入式Linux应用开发项目 | yolov8】手把手从零在泰山派RK3566上用C语言部署自己的yolov8（下）
2302_80277720的博客
08-24 721
该文章主要介绍如何移植官方的 yolov8 示例到自己的项目中，以及讲解相关的函数API和结构体，并解析官方给出推理 yolov8 主要代码。然后将输入源（官方给出的是输入一张图片）修改成从摄像头获取图像数据，通过 RGA 进行图像格式转换后进行模型推理，最后通过 DRM 实时显示到屏幕上。
【 嵌入式Linux应用开发项目 | yolov8】手把手从零在泰山派RK3566上用C语言部署自己的yolov8（上）
2302_80277720的博客
08-12 1124
该文章主要介绍如何移植官方的 yolov8 示例到自己的项目中，以及讲解相关的函数API和结构体，并解析官方给出推理 yolov8 主要代码。然后将输入源（官方给出的是输入一张图片）修改成从摄像头获取图像数据，通过 RGA 进行图像格式转换后进行模型推理，最后通过 DRM 实时显示到屏幕上。
【yolov5系列】将模型部署到瑞芯微RK3566上面
magic_ll的博客
06-19 1万+
量化的图片的shape和网络输入如果不一致，这里会自动resize，所以为了保证精度，我们的量化数据集的shape尽量与输入一致。我们需要注意下，对于RK1126相似系列的代码中模型转换时，模型build时，有个预编译参数，仿真时和端侧运行时的设置是不一致且不通用的。这里的buf的设置时，一定保证图片的大小和网络的输入是相同的尺寸。当然在其它芯片上的操作类似，差别会在具体的API的调用上。上图分别获取的内容：rk的版本信息、模型的输入输出数量的信息、输入节点相关的信息、输出节点相关的信息。
基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目
12-06
基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型...
算法部署-在瑞芯微RK3588上使用rknn部署YOLOv9目标检测算法.zip
10-20
算法部署_在瑞芯微RK3588上使用rknn部署YOLOv9目标检测算法
基于RK3588上部署yolov5s模型源码(实时摄像头检测)+部署说明文档.zip
07-24
基于RK3588上部署yolov5s模型源码(实时摄像头检测)+部署说明文档.zip 该项目是个人毕设项目，答辩评审分达到95分，代码都经过调试测试，确保可以运行！欢迎下载使用，可用于小白学习、进阶。 该资源主要针对计算机、...
算法部署-基于rknn+Cpp在瑞芯微rk3588上部署YOLOv10目标检测算法-附项目源码+流程教程-优质项目实战.zip
10-18
算法部署_基于rknn+Cpp在瑞芯微rk3588上部署YOLOv10目标检测算法_附项目源码+流程教程_优质项目实战
YOLOv5部署到泰山派（RK3566）详细过程
weixin_62656772的博客
05-31 5841
下载版本【gcc-linaro-6.3.1-2017.05-x86_64_aarch64-linux-gnu】，下载文件夹里面是已经编译好的二进制可执行程序。坚持到这里就离胜利不远了！将数据集放置在新建dataset文件夹中，如图，data.yaml是数据集自带的文件，yolov5s.pt文件在。打开pycharm切换环境，在终端进入requirements.txt所在的文件夹，运行以下代码安装所需的库。运行指令后，我遇到的问题是numpy库有些函数已经弃用了，降级即可，这部分问题忘记记录。
瑞芯微：基于RKNN3568得yolov8det部署
qianxun
06-27 1321
所以需要将yolov8det目标检测部署在rk3568里面。
模型之间转换：YOLOv8生成pt转onnx再转rknn
Cheryl的博客
03-15 1934
经过几次不兼容报错，此篇文章为经验总结，比较推荐使用云GUP的形式去转换训练。在转onnx阶段本机使用的window一直报错，证书问题和其他的问题。但是在云上一直很顺利，博主目前还搞不清是什么原因，如有也遇到此类报错的可以在评论区讨论一下。ok让我带着目标去做转换，首先要明白转换过程中相互牵制的环境要求，一定要搞清楚不然后续很多莫名其妙的报错，磨刀不误砍柴工!!!!
rk3568 RKNN配置（部分异常情况）
热门推荐
weixin_42829652的博客
12-31 1万+
rk3568 RKNN配置 PC : Ubuntu 18.0+ rknn平台：RK3568 Python版本：3.6.x 安装rknn-toolkit2 1、下载RKNN_SDK 或 RK3568源码SDK，cd进入rknn-toolkit2目录 2、运行pip安装依赖库：pip3 install -r doc/requirement.txt 3、pip安装轮子(.whl)：pip3 install rknn_toolkit2-*-cp36-cp36m-linux_x86_64.whl 4、前两步完成后，
【YOLO改进】球阀检测与识别：C3k2-GhostDynamicConv优化实践
最新发布
Dekesas9695的博客
12-15 298
本文提出了一种基于YOLOv13改进的球阀检测算法，创新性地引入C3k2-GhostDynamicConv模块。该算法通过k-means聚类优化卷积核尺寸和动态调整卷积参数，显著提升了球阀检测精度（mAP达85.6%）和复杂场景适应能力。实验表明，相比原始YOLOv13，检测精度提升3.2%，计算量减少15.6%。该技术已成功应用于石油、化工等工业场景，实现对球阀位置和开关状态的实时监测。未来将向轻量化、多模态融合方向发展，拓展至更多工业阀门检测场景。
【AI加持】基于PyQt5+YOLOv8+DeepSeek的水稻叶片疾病检测系统（详细介绍）
懷淰メ的博客
12-14 765
本文介绍了一个基于PyQt5、YOLOv8和DeepSeek技术的水稻叶片疾病智能检测系统。该系统可对图片、视频、视频流及摄像头中的水稻叶片病害（稻瘟病、细菌性条斑病、褐斑病）进行实时检测，支持多数据源输入和AI分析评估。系统采用CSV存储数据，通过多线程技术保证界面流畅性，并提供用户登录注册功能。该系统将计算机视觉与AI技术相结合，为水稻病害早期识别提供高效解决方案，有助于提升农业信息化水平，实现精准防控，具有重要的农业应用价值。
RK3588部署YOLOV8
05-08
### RK3588 上部署 YOLOv8 的方法 要在 RK3588 平台上成功部署 YOLOv8 模型，可以按照以下方式操作。以下是详细的说明： #### 1. 安装必要的工具和依赖项 为了在 RK3588 上运行 YOLOv8 模型，首先需要安装 `RKNN Toolkit` 和其他必要软件包。 - 下载并克隆最新的 `RKNN Toolkit` 版本至本地设备： ```bash git clone https://github.com/rockchip-linux/rknn-toolkit.git cd rknn-toolkit pip install . ``` - 同时还需要准备支持 YOLOv8 的 Python 环境以及 Ultralytics 提供的相关库[^3]: ```bash pip install ultralytics ``` #### 2. 转换模型格式 YOLOv8 默认导出为 ONNX 格式文件以便于跨平台兼容性更高。因此第一步就是将 PyTorch 训练好的权重转换成 ONNX 文件。 - 使用官方命令来完成此过程： ```python from ultralytics import YOLO model = YOLO('path/to/best.pt') # 加载自定义训练后的 .pt 权重文件 success = model.export(format='onnx', imgsz=640, simplify=True) # 导出为 onnx 格式 ``` #### 3. 将 ONNX 转换成 RKNN 格式 由于 RK3588 更倾向于使用其专有的 `.rknn` 格式的模型文件，所以接下来要利用 `RKNN Toolkit` 把前面得到的 ONNX 文件进一步编译为目标硬件可识别的形式。 - 编写简单的脚本来实现这一目标： ```python from rknn.api import RKNN rknn = RKNN() # 初始化配置参数 print('--> Configuring') rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], target_platform='rk3588') print('done') # 加载ONNX模型 print('--> Loading ONNX model') ret = rknn.load_onnx(model='./best.onnx') if ret != 0: print('Load ONNX failed!') exit(ret) print('done') # 构建RKNN模型 print('--> Building model') ret = rknn.build(do_quantization=False, dataset='./dataset.txt') if ret != 0: print('Build RKNN model failed!') exit(ret) print('done') # 导出最终的.rknn文件 print('--> Exporting RKNN model') ret = rknn.export_rknn('./yolov8_best.rknn') if ret != 0: print('Export RKNN model failed!') exit(ret) print('All done.') ``` 注意：这里的 `./dataset.txt` 是一个文本列表，其中包含了用于量化校准的一些图片路径；如果不需要量化的简化版可以直接设置 `do_quantization=False`[^4]。 #### 4. 测试与验证 最后一步是在实际硬件上测试已生成的 `.rknn` 文件是否能够正常工作。 - 运行 C++ 或者 Python SDK 中提供的推理示例程序即可快速检验效果如何。 - 如果一切顺利的话，则表明整个流程顺利完成！ ```cpp #include "rknn_api.h" // ...其余部分省略... ``` --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

嵌入式学不会不改名

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值