【YOLOv8部署至RV1126】PT转ONNX、ONNX转RKNN、RKNN预编译

已于 2025-11-17 16:51:26 修改
阅读量557 收藏
点赞数 17
CC 4.0 BY-SA版权
分类专栏： YOLO部署 文章标签： YOLO 模型部署 目标检测 嵌入式硬件 RV1126
于 2025-11-17 16:48:04 首次发布
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。
本文链接：https://blog.youkuaiyun.com/qq_42591591/article/details/154869255
YOLO部署 专栏收录该内容
10 篇文章 ¥99.90 ¥299.90
订阅专栏

本文用于RV1126部署过程中的模型转换，使用的是YOLOv8的检测模型。实现PT转ONNX、ONNX转RKNN以及RKNN预编译。

文章目录

一，转换文件下载

此小节主要介绍模型转换过程中所需要的文件，介绍一下各个文件的作用，再转换之前需要先准备好这些文件。转换步骤查看第二小节。

  • YOLOv8模型训练 ：https://github.com/ultralytics/ultralytics
    此文件为YOLOv8官方项目包，用于模型训练生成 .pt 文件，即正常训练完成就可以得到一个权重文件，或者直接使用官方提供的权重文件也行。是用于转换的PT文件。

在这里插入图片描述

  • ultralytics_yolov8 ：https://github.com/airockchip/ultralytics_yolov8
    此文件是瑞芯微官方提供的、用于pt转onnx的文件。和上方官方的文件区别在于：官方的权重是最终输出一个检测头，而为了适配RKNN部署，需要修改成三个输出。具体的内容可以对照\ultralytics\nn\modules\head.py中的Detect的
了解本专栏 订阅专栏 解锁全文
瑞芯微RV1126部署YOLOv8全流程：环境搭建、pt-onnx-rknn模型转换、C++推理代码、错误解决、优化、交叉编译第三方库
C/C++、嵌入式开发、深度学习算法、模型部署与推理优化
02-18 2312
瑞芯微RV1126部署YOLOv8全流程：环境搭建、pt-onnx-rknn模型转换、C++推理代码、错误解决、优化、交叉编译第三方库
YOLOv8部署全流程
Dneccc的博客
12-14 2258
yolov8部署全过程用到的包\1.2win 固件(板卡系统)EASY-EAI-Nano-Ubuntu-20.04-firmware_20240227\tools\windows\RKDevTool\RKDevTool_Release\RKDevTool.exe。按钮，等待10秒左右，切换到Loader模式（此方法切换失败的话，则可以采用手动方式进入Loader模式）。填入以下内容并保存（按 'i' 进入输入模式，按 'Esc' 退出输入模式，输入 ':wq!Android-USB线，连接板卡和电脑。
从训练成生成的our.pt到our.onnx再到our.rknn模型转换流程（RK3588全）
小嘟的博客
11-20 2046
可以看到我的python版本是3.8.10,符合要求的python为3.8版本，创建的虚拟环境的。在运行的过程中，也会有缺少库或者版本不匹配的问题，这个时候针对下载就行了。安装 依赖库，我的python版本是3.8.10，所以这里执行命令。具体做法：进入创建好的虚拟环境，执行。切换路径到瑞芯微提供的转换工具，如下图所示，我的路径是在。cd切换到export.py所在的目录下，执行命令。我把虚拟创建到桌面了，上述命令。本次演示中使用的pt文件是我们。后边有我创建好的环境库文件。是我们训练生成的pt。
yolov8pose在rv1126上的模型转换及部署测试
baidu_41284315的博客
08-08 2743
随着人工智能技术的不断发展，计算机视觉领域的研究和应用也越来越广泛。其中，关键点检测作为计算机视觉领域的一个重要分支，被广泛应用于手势识别、人机交互、虚拟现实等领域。而Yolov8-pose作为一种高效、快速的关键点检测算法，已经在很多领域得到了广泛的应用。本文将介绍如何将Yolov8-pose训练的pt模型转换至rknn 应用至rv1126平台。
【YOLOv8部署至RK3588】模型训练→转换RKNN→开发板部署
热门推荐
A_l_b_ert的博客
08-27 3万+
之前博主发布过YOLOv8转RKNN模型并在开发板上部署的流程，但是遇到了许多问题，发现很难修补，遂决定在官方项目下进行模型转换与部署（之前的转换是在Github个人博主的项目下进行的）OK，进入正题，模型转换需要以下工具：ultralytics_yolov8、rknn_model_zoo、rknn-toolkit2，现在详细介绍这三者的关系。以上三个文件均与模型训练无关，而是用于模型转换的，其中，ultralytics_yolov8文件不是必需的，但最好还是下载一份，原因后面会讲；。
ubuntu子系统C++编译yolov8 以及 rv1126部署（自己训练的模型）
YUYGUYGU的博客
04-23 3775
需要创建一个文件夹，文件夹下文件如下（包含第4步得到的yolov8编译文件，第5步得到的yolov8.rknn模型。注意：以下文件最好放到ubuntu子系统里面进行解压，windows下解压会出现文件缺失，问题很严重。需提前安装adb，可以参考链接。在cmd中输入adb devices，可以看到rv1126开发板ID，即连接成功。编译后在如下目录得到 rknn_yolov8_demo 文件。然后安装torch，tensorflow等。在cmd中输入adb shell，进入rv1126系统目录。
YOLOv8n部署RK3588开发板全流程（PT→ONNX→RKNN模型转换、板端后处理检测）
A_l_b_ert的博客
07-31 1万+
小白博主，第一次写博客记录自己YOLOv8n部署RK3588开发板的全流程，记录下踩的所有坑，欢迎交流。本篇主要参考博主@山水无移-ZhangQian的文章，如有需要，可自行查看参考。欢迎各位小伙伴评论交流。
RV1126 部署自己训练的yolov8
08-09 1506
如果不用这个方式，outputs会是一个，导致后面的无法正常使用。RK的GIT上相关的问题，都没人回答，这是一个坑，被我踩了一次。cd到toolkit的examples->common_function_demos->export_rknn_precompile_model文件夹下，将刚刚得到的best.rknn模型拷贝进去。采用rknn_toolkit-1.7.5-cp38-cp38-linux_x86_64.whl。进入rknn_model_zoo/example/yolov8/python。
RV1126 yolov5训练部署教程
EASY_EAI的博客
04-16 1374
YOLOv5 模型是 Ultralytics 公司于 2020 年 6 月 9 日公开发布的。YOLOv5 模型是基于 YOLOv3 模型基础上改进而来的，有 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 四个模型。YOLOv5 相比YOLOv4 而言，在检测平均精度降低不多的基础上，具有均值权重文件更小，训练时间和推理速度更短的特点。YOLOv5 的网络结构分为输入端BackboneNeck、Head 四个部分。
低照度SCI模型（pt-＞onnx-＞rknn）在rv1126上的部署测试
weixin_40912644的博客
08-21 1264
低照度SCI模型转换（pt->onnx->rknn）并在板端测试
RK3588平台YOLOv8人体姿态估计模型部署实战：从ONNX到RKNN的完整转换与优化指南
LXY_LOVE36的博客
07-04 517
本文详细介绍了将YOLOv8-Pose人体姿态估计模型部署到RK3588边缘设备的完整流程。主要内容包括：1）模型转换（PyTorch→ONNX→RKNN），重点解决格式兼容性和量化问题；2）后处理优化，改进关键点解码和NMS算法；3）RK3588平台性能调优，通过内存管理和NPU配置实现43ms低延迟推理。文章还提供了舞蹈动作识别等实战案例，并包含详细的环境配置、代码实现和性能对比数据。配套资源：资料链接[1]、视频讲解[2]。 [1] 模型转换工具包下载链接 [2] 部署实战视频教程链接 （全文148字
【红外小目标检测实战】Yolov11加入SPDConv,HDC,ART等模块
AutumnorLiu的博客
11-21 462
本文针对红外微小目标检测中传统下采样方法导致的信息丢失问题，提出结合SPDConv和HDC的优化方案。SPDConv通过空间到深度转换替代传统下采样，在减少分辨率的同时保留更多特征信息。实验结果显示，优化后模型参数量从19M降至6.9M，召回率从0.59提升至0.75，准确率也略有提高，但距离0.9的目标仍有差距。虽然改进效果有限，但验证了SPDConv在保留微小目标特征方面的潜力。
基于改进YOLOv11n的无人机红外目标检测算法
汉斯出版社旗下编辑，定期更新计算机前沿论文
11-19 831
本文针对无人机红外图像中小目标检测的挑战，提出了一种基于YOLOv11n的改进方法。通过新增P2小目标检测层、构建双向多分支辅助特征金字塔网络(BIMAFPN)，并引入动态注意力检测头(DyHead)和NWD-Inner-MPDIoU组合损失函数，有效提升了微小目标的检测性能。实验结果表明，改进后的模型在HIT-UAV数据集上mAP50达到92.8%，较基线提升2.2%，同时保持轻量化特性。该方法为无人机红外目标检测提供了有效的解决方案，具有实际应用价值。
Yolo 快速使用
north_eagle的专栏
11-20 909
关键指标详细含义 ：一组是训练损失（Loss），另一组是验证精度（mAP）。1. 训练损失指标（在训练循环中） 这组数据（box_loss, cls_loss, dfl_loss）是模型在学习过程中看到的值。它们代表“模型做错了多少”。它安装的 PyTorch 2.1.2 版本不会使用您旧 CPU 所缺乏的高级指令（因此不会再 Illegal instruction 崩溃），同时 cu118 版本也能完美利用您 V100 显卡的强大驱动。（激活后，您的命令行提示符前面会出现 (yolo_env) 字样）
从痛点到创收——基于昇腾CANN与YOLOv8的精密制造AI质检系统深度实践
最新发布
专注于 C/C++ 后端开发，涵盖基础语法、Linux系统与网络、MySQL数据库、常见算法及项目经验。
11-22 1万+
在全球制造业向“工业4.0”迈进的浪潮中，智能制造已成为衡量国家核心竞争力的关键指标。其中，产品质量检测作为生产环节的“最后一道防线”，其智能化水平直接决定了企业的生产效率与品牌声誉
YOLO 目标检测实战指南：Java + ONNX Runtime 完整实现
m0_69594200的博客
11-20 992
本文介绍了使用Java实现YOLOv8/v11目标检测模型的完整流程。通过ONNX Runtime引擎和OpenCV进行图像处理，详细讲解了从环境配置、模型预处理、推理到后处理的各个环节。项目采用纯Java实现，便于集成到Spring Boot等Java项目中，包含清晰的代码结构和详细注释。文章还提供了GPU加速、性能优化等实用建议，并分享了常见问题解决方案，是一份完整可用的YOLO目标检测Java实现指南。
YOLO11实例分割训练任务——从构建数据集到训练的完整教程
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
11-19 992
介绍了YOLO11分割数据集的构建与训练方法。关键点包括： YOLO11分割数据集特性：相比检测任务需要像素级掩码标注，格式包含归一化坐标和轮廓点； 数据准备：建议从公开数据集复用或实地采集，注意场景多样性和标注精度控制； 实操流程：详细说明从LabelMe标注到YOLO格式转换、数据划分和模型训练的具体步骤； 性能优化：通过改进模型架构（BiFormer注意力机制等）和高质量数据集来提升分割精度。 文中还提供了完整的代码示例，帮助读者快速实现YOLO11分割任务的训练。
即插即用系列 | 2024 SOTA LAM-YOLO : 无人机小目标检测模型
分享顶会顶刊论文即插即用模块
11-21 1182
本文提出LAM-YOLO模型，针对无人机航拍图像中目标尺寸小、遮挡严重和光照复杂等问题，在YOLOv8基础上引入光照-遮挡注意力机制(LAM)和内卷模块。LAM通过混合注意力增强特征提取能力，改进的检测头和SIB-IoU损失函数提升小目标检测精度。实验表明，该模型在VisDrone2019数据集上mAP提升7.1%，有效解决了复杂场景下的目标检测难题。核心创新包括LAM模块、辅助检测头和SIB-IoU损失，可应用于自动驾驶、安防监控等领域。
【YOLOv11改进 - 卷积Conv】 GCNet之金箍棒块GCBlock 重参数化捕获全局依赖
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
11-20 41
【YOLOv11改进 - 卷积Conv】 GCNet之金箍棒块GCBlock 重参数化捕获全局依赖
yolov8转移rv1126
06-18
### 移植 YOLOv8 到 RV1126 平台的解决方案 将 YOLOv8 模型移植到 RV1126 平台涉及多个步骤，包括模型转换、环境配置、编译工具链设置以及性能优化。以下是一个详细的解决方案： #### 1. 环境准备 确保开发环境已正确配置，包括安装必要的依赖项和工具链： - 安装 Docker Desktop，并拉取支持 RV1126 的容器镜像[^3]。 - 配置交叉编译工具链，例如 `arm-rockchip830-linux-uclibcgnueabihf`。 #### 2. 模型转换 YOLOv8 的模型通常以 `.pt` 格式保存，需要将其转换为适合 RV1126 的推理框架（如 RKNN）支持的格式： - 使用官方工具或第三方工具将 `.pt` 模型转换为 ONNX 格式。可以参考以下命令： ```python import torch from yolov8 import YOLOv8 model = YOLOv8("yolov8.pt") dummy_input = torch.randn(1, 3, 640, 640) torch.onnx.export(model, dummy_input, "yolov8.onnx", opset_version=11) ``` - 将 ONNX 模型转换为 RKNN 格式。可以参考微芯瑞公司的优化细节[^2]，并使用 RKNN Toolkit 进行转换： ```bash rknn_toolkit.convert \ --model yolov8.onnx \ --output yolov8.rknn \ --dataset dataset.txt \ --optimization-level 3 ``` #### 3. 编译与部署 在 RV1126 平台上运行 YOLOv8 模型需要编译相关代码： - 创建编译目录并配置 CMake 项目： ```bash cd /LockzhinerVisionModuleWorkSpace/LockzhinerVisionModule/Cpp_example/D10_yolov5 rm -rf build && mkdir build && cd build export TOOLCHAIN_ROOT_PATH="/LockzhinerVisionModuleWorkSpace/arm-rockchip830-linux-uclibcgnueabihf" cmake .. make -j8 && make install ``` - 如果需要构建 Python 扩展模块，可以参考 distutils 的方法[^4]： ```python from distutils.core import setup, Extension module = Extension('yolov8_module', sources=['yolov8.cpp']) setup(name='yolov8_module', version='1.0', ext_modules=[module]) ``` #### 4. 性能优化 为了提高 YOLOv8 在 RV1126 上的推理速度，可以参考以下优化策略： - 使用 RKNN Toolkit 提供的量化工具对模型进行 INT8 量化。 - 调整推理框架中的线程数和缓存设置以适应硬件特性。 ---
评论
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

Limiiiing

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