rknn_model_zoo中YOLOv8的CMakeLists.txt详解

Limiiiing

于 2025-11-24 08:37:56 发布

阅读量6

点赞数

CC 4.0 BY-SA版权

分类专栏： YOLO部署文章标签： YOLO linux 模型部署目标检测

本文链接：https://blog.youkuaiyun.com/qq_42591591/article/details/155133649

YOLO部署专栏收录该内容

10 篇文章 ¥99.90 ¥299.90

订阅专栏

要彻底搞懂这个 CMakeLists，核心是先建立一个认知：CMake 不是编译器，而是“编译脚本的生成器”——它用简单的语法，帮你告诉编译器“要编译哪些文件、用什么规则编译、依赖哪些库、输出到哪里”，最终生成 Makefile（Linux）。

YOLOv8 CMakeLists.txt:

cmake_minimum_required(VERSION 3.10)

project(rknn_yolov8_demo)

if (ENABLE_ASAN)
	message(STATUS "BUILD WITH ADDRESS SANITIZER")

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Limiiiing

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

独家！RK3588 YOLOv5 Android 源码级解析（NPU 量化 / 多线程架构 / 跟踪算法全开源）

FJN110的博客

06-21

398

本文详细介绍了一个基于RK3588芯片的Android开发板实时目标检测项目。项目使用YOLOV5模型，结合RKNN开发框架实现高效推理。文章包含环境配置（Windows主机、Android开发板、RKNN SDK等）、项目架构（相机集成、并发处理、图像格式转换等核心挑战）和关键技术解析（硬件加速RGA转换、环形缓冲队列设计等）。通过生产者-消费者模式和NPU推理优化，系统实现了高性能实时检测。该项目为嵌入式设备上的计算机视觉应用提供了实用解决方案，展示了RK3588芯片在AI工作负载中的出色表现。

打造高性能端侧AI应用：RK3588平台YOLOv5 Android系统NPU加速全栈实战

LXY_LOVE36的博客

11-06

本文介绍了一个基于RK3588芯片的Android开发板实时目标检测项目，重点解析了系统架构和核心代码实现。项目使用YOLOV5模型，通过RKNN框架在NPU上高效推理，处理了相机数据格式转换、多线程并发和目标跟踪等关键技术挑战。系统采用生产者-消费者模式管理图像数据流，利用RGA硬件加速实现NV21到RGB888的零拷贝转换，构建了包括相机采集、RKNN推理、目标跟踪和UI渲染的完整处理流程。文章详细剖析了图像缓冲队列设计和核心算法实现，展示了如何在嵌入式设备上实现高性能的实时计算机视觉应用。

参与评论您还未登录，请先登录后发表或查看评论

OpenVINO示例介绍

jiugeshao的专栏

05-08

3911

接着前面系列博客来讲，这里会来跑下OpenVINO的自带示例，会在多个硬件平台上来测试（包括Intel Movidius Neural Computer Stick 2)，神经棒的配置介绍见博主上一篇博客。 Intel Movidius Neural Computer Stick 2使用(PC-Based Ubuntu）_竹叶青lvye的博客-优快云博客接着博主前面的系列博客继续讲，这篇来介绍上Intel的第二代加速神经棒的使用，主要还是参考官网来配置。前面很多博客也都访问过多家公司的官网，比较下来，I

实例分割训练yolov5实例分割模型详细记录 rk3588部署yolov5实例分割模型全程记录

guoqingru0311的博客

07-15

410

实例分割训练yolov5实例分割模型详细记录 rk3588部署yolov5实例分割模型全程记录

在Android手机上使用MACE实现图像分类

夜雨飘零

08-22

5179

在之前笔者有介绍过，使用的框架是百度开源的PaddleMobile。在本章中，笔者将会介绍使用小米的开源手机深度学习框架MACE来实现在Android手机实现图像分类。MACE的GitHub地址：https://github.com/XiaoMi/mace。

Detectron2 源码分析

shang3988的专栏

09-23

3309

Detectron2 源码分析 Content: 安装环境代码结构训练流程预测流程重点代码讲解 Detectron2已集成模型参考链接 1. 安装环境安装参考 INSTALL.md 目前Detectron2只支持在Linux和macOS上安装，不支持Windows安装。安装anaconda $ wget https://repo.anaconda.com/archive/Anaconda3-2020.02-Linux-x86_64.sh $ chmod 755 Anaconda

深度学习模型试跑(十四):Bytetrack(vs2019 训练+trt推理部署)

热门推荐

qq_33642342的博客

09-08

1万+

这里记录了多目标追踪模型Bytetrack在win10/vs2019 上，用自定义数据集训模、tensorrt部署的大致过程。

【跟我学YOLO】（3）训练 YOLO11 图像分割模型

youcans的博客

11-23

679

本文介绍了如何使用YOLOv11进行图像分割任务YOLOv11在COCO-seg数据集上预训练，提供了多个分割模型选项，支持实例分割任务输出对象掩码和类别标签。文章详细说明了安装步骤和模型选择建议，帮助用户快速上手YOLOv11图像分割应用。

即插即用系列 | ICASSP 2025 CAF-YOLO 实战解析：ACFM & MSNN 模块详解

分享顶会顶刊论文即插即用模块

11-21

748

本文提出CAF-YOLO框架，用于解决生物医学图像中微小病变检测的精度问题。该模型基于YOLOv8，创新性地结合CNN与Transformer优势，设计了注意力与卷积融合模块（ACFM）实现全局与局部特征互补，以及多尺度神经网络（MSNN）增强跨尺度特征聚合。实验表明，该方法在微小目标检测任务上表现优异，超越了现有先进方法。该框架具有通用性，可应用于各类视觉任务中的特征增强。

【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程

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

1125

【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含50种分类，代表人参，水蛭，大枣，百合，黄连，乌梅，厚朴，牡蛎，海马，罗汉果，甘草，三七，通草等等。检测场景为药田、药材市场、药材加工厂、药材仓储等场景，可用于药材种植环节精准管控、采收分拣提质增效、市场流通质量把关、药材仓储安全动态监测等。基于YOLOv8的中药材检测系统实战详细步骤。

YOLOv8 验证码识别：从数据标注到模型部署的完整实战教程

沉寂

11-23

本文将手把手教你如何使用 YOLOv8 训练一个高精度的验证码识别模型，涵盖数据标注、环境配置、模型训练、验证测试全流程。基于 RTX 4090 服务器实测，600 张训练图片即可达到 50%+ 准确率，是 OCR 和验证码识别入门的首选方案。

2025-简单点-ultralytics.models.yolo.detect.predict.py解析

万物琴弦存于你的泡沫之中，光锥之外

11-19

404

继承BasePredictor：有preprocess和pre_transform和stream_inference等方法。老东西了，扣除padding后，除以gain，返回到最初的大小。construct_results就是构造成独有的Result对象。主要关注nms和construct_results。就是个控制上下界，避免计算错误。

关于共享网盘的创建以及YOLOv5综述

2503_92128136的博客

11-20

384

量级分为n（轻量化）、s、m、l、x五类，参数规模与检测精度正相关，速度负相关，轻量化模型（n/s）适配实时检测场景，大容量模型（l/x）适合高精度需求场景；共享网盘作为数字化时代文件存储、协作与分发的核心工具，凭借云端存储、跨端同步、权限可控的核心优势，已深度融入个人办公、团队协作、学术科研、项目管理等多元场景，不仅彻底改变了传统 U 盘拷贝、邮件传输等方式的低效与局限，更有效破解了多场景下文件传输混乱、版本迭代丢失、权限管控薄弱、跨地域协作不便等痛点。二、YOLOv5模型下载全流程。

YOLO中骨干网络与检测头的关系

最新发布

Lazy_Goat的博客

11-23

142

输入：骨干网络提取的高级语义特征处理：通过卷积层学习特征到类别的映射数学本质：计算特征向量与类别权重向量的相似度输出：每个位置的类别概率分布决策：基于概率选择最可能的类别关键理解骨干网络负责"看"图像并提取有意义的特征检测头负责"理解"这些特征并做出分类决策分类能力是通过学习特征与类别之间的统计关联获得的整个过程是端到端学习的，所有组件协同工作这种设计让网络能够自动发现对分类最有用的特征模式，而不是依赖人工设计的特征。

yolov5 安装

webBOFB的博客

11-22

188

2.安装torch和torchvision。选择yolov5格式。

yolo parse_model 函数详解

leiming6的博客

11-23

602

==================== 新增代码开始（你原始代码加入的 LocalAttention 特殊处理） ====================# d["backbone"] 和 d["head"] 都是类似 [(from, number, module_name, args), ...] 的条目列表。# ----------------- 遍历 backbone 和 head 中定义的每一层 -----------------

YOLO v11的学习记录（七）阶段小结

xulibo5828的博客

11-21

751

这份配置是YOLOv8s 分割模型的标准训练配置，核心逻辑是：使用预训练权重迁移学习，10 轮训练，批次 4，输入尺寸 640，启用混合精度和常用数据增强，训练过程中验证并保存最优模型。可根据实际需求调整（如增大batch、增加epochs、开启等），重点关注data（数据集配置）、epochs（轮数）、batch（批次）、device（设备）这几个关键参数。

在wsl ubuntu下安装，训练，验证，导出，部署YOLO的完整例子

运用之妙,存乎一心

11-21

309

**更换模型**：YOLOv8提供了从n到x不同尺寸的模型（如 `yolov8n.pt`, `yolov8s.pt`, `yolov8m.pt`, `yolov8l.pt`, `yolov8x.pt`）。如果数据量小，可以考虑使用**数据增强**（YOLO训练时默认会开启一些数据增强，你也可以在 `model.train()` 中通过 `augment=True` 参数开启或自定义）。- **超参数调优**：调整学习率（`lr0`）、批次大小（`batch`）、优化器等超参数。

DINOv3与YOLO：核心差异、内在联系及场景适配指南

阿旭的博客

11-19

621

DINOv3与YOLO：核心差异、内在联系及场景适配指南

rk3576 rknn_model_zoo-2.3.2/examples/yolov8_obb$ ./rknn_yolov8_obb_demo ./model/yolov8n_obb.rknn ./model/test.jpg ERROR: can't find librknn_runtime.so load lable ./model/yolov8_obb_labels_list.txt ERROR: can't find librknn_runtime.so rknn_init fail! ret=-3 init_yolov8_obb_model fail! ret=-1 model_path=./model/yolov8n_obb.rknn free(): invalid pointer Aborted

10-16

以下是针对在 rk3576 运行 `rknn_model_zoo-2.3.2/examples/yolov8_obb/rknn_yolov8_obb_demo` 时出现的各类错误的解决办法： ### 找不到 `librknn_runtime.so` `librknn_runtime.so` 是 RKNN 运行时库，若系统无法找到该库，就会产生此错误。可通过以下方法解决： 1. **确认库文件存在**：要保证 `librknn_runtime.so` 文件确实存在于系统中。一般而言，该文件会在 RKNN 工具包的特定目录下。 2. **设置环境变量**：把包含 `librknn_runtime.so` 的目录添加到 `LD_LIBRARY_PATH` 环境变量里。示例命令如下： ```bash export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/path/to/rknn/runtime/library ``` 可将 `/path/to/rknn/runtime/library` 替换成实际包含 `librknn_runtime.so` 的目录路径。 3. **永久设置环境变量**：若想让环境变量的设置永久生效，可把上述命令添加到 `~/.bashrc` 或者 `/etc/profile` 文件中，然后执行以下命令使修改生效： ```bash source ~/.bashrc ``` 或者 ```bash source /etc/profile ``` ### `rknn_init fail! ret=-3` `rknn_init` 失败且返回值为 -3 通常表明初始化 RKNN 模型时出现问题，可能是模型文件损坏、平台不兼容或者内存不足等原因。解决办法如下： 1. **检查模型文件**：确保模型文件（`.rknn` 文件）没有损坏，可尝试重新生成模型文件。按照如下步骤操作： - 修改 `convert.py` 指定数据路径、保存模型名称以及是否启动量化。 - 执行命令 `python examples/yolov8_obb/python/convert.py yolov8n-obb_rknn.onnx rk3588` [^1]。 2. **检查平台兼容性**：确认使用的 RKNN 工具包和模型与 rk3576 平台兼容。不同的 RKNN 工具包支持的平台不同，`rknn-toolkit2` 支持 rk3576 这类较新的平台，要保证使用的是合适的工具包 [^1]。 3. **检查内存**：保证系统有足够的内存来初始化 RKNN 模型，可关闭其他不必要的程序以释放内存。 ### `init_yolov8_obb_model fail! ret=-1` `init_yolov8_obb_model` 失败且返回值为 -1 通常表示初始化 YOLOv8 OBB 模型时出现问题，可能是模型参数配置错误或者依赖库缺失。解决办法如下： 1. **检查模型参数**：确保模型参数配置正确，包括输入尺寸、类别数量等。 2. **检查依赖库**：确保所有依赖库都已正确安装，并且版本兼容。 ### `free(): invalid pointer` `free(): invalid pointer` 错误一般是由于程序试图释放一个无效的指针，这可能是内存管理方面的问题，例如指针未初始化或者重复释放。解决办法如下： 1. **检查代码逻辑**：仔细检查代码中内存分配和释放的部分，确保指针在使用前已正确初始化，并且没有重复释放。 2. **调试代码**：使用调试工具（如 `gdb`）来定位问题所在，找出导致无效指针的具体代码行。