【RK3588】yolov5的部署

最新推荐文章于 2025-05-17 18:10:58 发布
最新推荐文章于 2025-05-17 18:10:58 发布
阅读量332 收藏
点赞数 2
文章标签： YOLO
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_44157835/article/details/141589364
版权
最低0.47元/天 解锁文章
翁乐安
关注
yolov5模型(.pt)在RK3588(S)上的部署(实时摄像头检测)
Chuan423425的博客
04-17 8426
yolov5模型(.pt)在RK3588(S)上的部署(实时摄像头检测)
在RK3588平台上部署YOLOv5：一步步实现目标检测
uck2010的博客
04-13 978
rk3588,yolov5
rk3588部署yolov5
qq_59164231的博客
08-29 7547
YOLOv5 训练得到pt文件，pt-->onnx-->rknn进行推理。
在RK3588上运行YOLOV5模型（源码）
08-23
yolov5 ******************************************************************************************************* 这是一个可以在RK3588上运行的yolov5-demo项目，项目自带有量化后的官方模型可以进行测试使用。
多线程异步提高RK3588的NPU占用率，进而提高yolov5s帧率
热门推荐
m0_62740527的博客
04-30 2万+
作者手头上有一块香橙派5，其搭载有一颗三核心6TOPS算力的NPU, 由于发布时间不长，社区的资料还是比较匮乏, 所以在这里写一下关于如何提高NPU使用率的教程文章和代码使用yolov5s进行讲解, 其他模型如resnet之类的同理,稍作修改就可以使用。由于已经有很多人,如等做了如何通过修改模型提高视频推理帧率的教程, 这里我就主要讲另外一种性能的方法——多线程异步。
基于YOLOv5算法实现人数统计和人脸识别并部署于开发板rk3588
Lost_The_Mind的博客
07-08 9019
YOLO算法在开办板rk3588上部署
RK3566/RK3588 YoloV5部署（四） yolov5多线程部署
2301_76564925的博客
04-08 1170
代码链接：通过网盘分享的文件：YoloV5_thread_pool链接: https://pan.baidu.com/s/1jz0cAIypxARTHh5nRVTsWQ?pwd=s84d 提取码: s84d。
RK3566/RK3588 yolov5部署（三）yolov5单线程部署并查看NPU占用情况
2301_76564925的博客
04-07 680
代码同时支持RK3588和RK3566，运行时注意选择对应rknn模型：通过网盘分享的文件：YoloV5_first_test链接: https://pan.baidu.com/s/1ZSuBvndMpP6xuhZsuVX8ow?pwd=4xh9 提取码: 4xh9。
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...
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
yolov5模型(.pt)在RK3588(S)上的部署(实时摄像头检测) - 所需： - 安装了Ubuntu20系统的RK3588 - 安装了Ubuntu18的电脑或者虚拟机 一、yolov5 PT模型获取 [Anaconda教程]...
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
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
【超详细，保姆级教程】RK3588部署yolov5s（1）
m0_52641167的博客
09-19 1810
yolov5s.pt测试→yolov5s.onnx→yolov5s.rknn*
Yolov5项目在RK3588s设备上的部署(RMYC2023技术分享)
gavin_id的博客
05-08 4947
(跟作者比赛有关，可以选择略过)在RMYC以往的赛季当中大多数队伍使用到的视觉技术都依赖于RoboMaster官方给的AI人工智能教育套件，但是随着比赛难度的增加，比赛对各种技术的要求AI教育套件可能已经无法满足，同时因AI教育套件的价格偏高，很多战队都无法完成基本的视觉技术。作者偶然间看见香橙派5的Yolov5部署，于是作者在两周的时间里摸索了Yolov5在RK3588s的部署并且成功写出了一个用于RMYC上工程机器人自动取弹对位的程序。
# YOLOv3：基于 PyTorch 的目标检测模型实现
www_pp_的博客
05-13 786
本文介绍了如何使用 PyTorch 实现 YOLOv3 目标检测模型。YOLOv3 是一种高效的单阶段目标检测算法，能够在输入图像上直接预测边界框和类别概率，适用于实时检测任务。文章首先简要介绍了 YOLOv3 的特点，包括单阶段检测、多尺度检测和高效率。接着，详细说明了实现 YOLOv3 所需的环境准备和代码实现步骤，包括导入必要的库、构建模块列表、实现上采样层和空层等。通过本文，读者可以了解如何从零开始构建 YOLOv3 模型，并掌握其核心实现细节。
咖啡叶子病害检测数据集VOC+YOLO格式1468张4类别均为单叶子
FL1623863129的博客
05-17 135
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Cercospora","Miner","Phoma","Rust"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：1468。标注数量(txt文件个数)：1468。
开源项目实战学习之YOLO11：12.1 ultralytics-models-sam-blocks.py源码
最新发布
kngines
05-17 102
开源项目实战学习之YOLO11：12.1 ultralytics-models-sam-blocks.py源码
【计算机视觉】论文精读《基于改进YOLOv3的火灾检测与识别》
weixin_43988131的博客
05-17 366
论文精读《基于改进YOLOv3的火灾检测与识别》
rk3588yolov5
03-19
### RK3588 平台上 YOLOv5 部署与优化教程 #### 一、环境准备 为了成功在 RK3588 上部署并优化 YOLOv5 模型，需完成以下准备工作： - **硬件平台**：确保拥有支持 NPU 的 RK3588 开发板。 - **软件工具链**：安装 Android 或 Linux 工具链用于编译和运行模型[^3]。 - **依赖库**：安装 OpenCV 和其他必要的 Python 库。 具体操作如下： 1. 手动下载 `rknn` 推理源码并通过 Git 克隆官方仓库: ```bash git clone https://github.com/airockchip/rknn_model_zoo.git cd rknn_model_zoo ``` 2. 编译适用于 RK3588 的推理引擎： ```bash ./build-android.sh -t rk3588 -a arm64-v8a -d yolov5 ``` #### 二、模型转换 YOLOv5 默认提供 `.pt` 格式的 PyTorch 模型文件。将其转换为 ONNX 或 RKNN 格式以便更好地利用 RK3588 的硬件加速能力： 1. 使用官方脚本将 `.pt` 转换为 `.onnx` 文件[^1]: ```python python export.py --rknpu rk3588 --weights yolov5s.pt ``` 2. 将 ONNX 模型进一步转化为 RKNN 格式以适配 RK3588 的神经网络处理单元 (NPU)[^3]: ```python from rknn.api import RKNN rknn = RKNN() ret = rknn.load_onnx('yolov5.onnx') if ret != 0: print("Load failed!") exit(ret) ret = rknn.build(do_quantization=True, dataset='dataset.txt', pre_compile=False) if ret != 0: print("Build failed!") exit(ret) ret = rknn.export_rknn(model_path="yolov5.rknn") if ret != 0: print("Export failed!") exit(ret) ``` #### 三、性能调优 由于 RK3588 的 CPU 性能在高并发场景下可能成为瓶颈，因此需要针对以下几个方面进行优化： 1. **多线程优化**：Python 中存在全局解释器锁 (GIL)，可能导致多线程效率低下。建议改用 C++ 实现核心逻辑以充分利用多个线程资源[^2]。 2. **图像绘制优化**：如果使用 OpenCV 绘制检测框，则这部分代码也可能拖慢整体速度。可以尝试采用更高效的算法或者直接切换至 GPU 加速版本的 OpenCV。 3. **量化压缩**：启用 INT8 量化可显著减少内存占用并提高吞吐量。上述代码片段中的 `do_quantization=True` 参数即为此目的服务。 #### 四、测试验证 最后，在实际环境中运行程序来评估其表现如何。例如执行以下命令加载预训练好的 RKNN 模型并对图片实施预测: ```bash cd build/build_rknn_yolov5_demo_rk3588_linux_aarch64_Release/ ./rknn_yolov5_demo ../model/yolov5.rknn ../model/bus.jpg ``` ---
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
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