RK3588 npu python运行 YOLOv8 和 YOLOv8-seg 的教程

在 RK3588 上运行 YOLOv5 的教程比较丰富，而对于 YOLOv8 相关的 Python 开源库则较少。对于多线程推理，一个不错的开源库是 rknn-multi-threaded。RKNN_model_zoo 中的 examples 提供了 YOLOv8 的相关 demo，但其 Python 后处理部分编写不佳，需要 PyTorch 依赖，并且后处理耗时较大，无法满足视频实时推理的需求。
我们在 rknn-multi-threaded 的基础上，对 RKNN_model_zoo 中的 YOLOv8 example 进行了整合，并使用 github Copilot 重写了后处理函数。这一改进不仅取消了对 PyTorch 的依赖，还将后处理耗时从几百毫秒降低到了几十毫秒。在 3 线程模式下，推理 YOLOv8s 模型可以达到约 45fps，而推理 YOLOv8s-seg 模型则可以达到约 25fps。

一、优化修改后的开源代码库

• yolov5: http://git.bwbot.org/publish/rknn-multi-threaded.git
• yolov8: http://git.bwbot.org/publish/rknn3588-yolov8.git
• yolov8-seg: http://git.bwbot.org/publish/rknn3588-yolov8-seg.git

二、代码运行说明

上面三个代码仓库的运行方法相同，都是通过 git clone 克隆代码后，准备好 Python 环境，然后执行 main.py。我们以 YOLOv8 为例：

1. 升级 NPU 运行库。参考 RK3588 在 Ubuntu22.04 下使用 rknn-toolkit2 的注意事项。
2. 克隆源代码：

git clone http://git.bwbot.org/publish/rknn3588-yolov8.git

3. 准备python运行环境：
   我们在 RK3588 上使用的是 Ubuntu22.04 Desktop，默认的 Python 版本是 3.10。为了避免破坏系统环境，我们使用 virtualenv 来配置需要的 Python 运行环境。

sudo apt install python3-virtualenv

#进入上面git clone下来的文件夹根目录
cd rknn3588-yolov8

#创建虚拟环境
virtualenv --system-site-packages -p /usr/bin/python3 venv

#激活虚拟环境
source venv/bin/activate

#开始在虚拟环境中安装rknn_toolkit_lite2，这里需要安装和python版本相同的whl
pip install rknn_toolkit_lite2-2.0.0b0-cp310-cp310-linux_aarch64.whl

#安装opencv
pip install -i https://mirror.baidu.com/pypi/simple opencv_contrib_python

4.环境配置完成，开始运行yolov8：

python main.py

在 main.py 文件中，您可以修改模型、线程数，还可以修改成实时推理摄像头。

# 推理视频文件
cap = cv2.VideoCapture('./720p60hz.mp4')
# 推理实时摄像头
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH,640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT,480)

三、运行结果

YOLOv8s 的运行速度大约是 YOLOv5 的 70%，YOLOv8s-seg 的运行速度大约是 YOLOv8s 的 50%。