使用RKNN进行YOLOv8人体姿态估计的实战教程：yolov8-pose.onnx转yolov8-pose.rknn+推理全流程

已于 2024-12-24 13:15:51 修改
阅读量927 收藏 6
点赞数 3
分类专栏： 深度学习落地实战 YOLO系列模型有效涨点改进 文章标签： YOLO
于 2024-12-24 12:00:02 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/weixin_51988935/article/details/144690269
版权

之前文章有提到“YOLOv8的原生模型包含了后处理步骤，其中一些形状超出了RK3588的矩阵计算限制，因此需要对输出层进行一些裁剪”，通过裁剪后得到的onnx能够顺利的进行rknn转换，本文将对转rnkk过程，以及相应的后处理进行阐述。并在文末附上全部源码、数据、模型的百度云盘链接。

推理结果展示

前提条件

在开始之前，请确保你已经安装了以下工具和库：

  • Python 3.x
  • NumPy
  • OpenCV
  • RKNN API（Rockchip Neural Network Toolkit）
  • ONNX模型文件（本文使用yolov8n_pose.onnx）
步骤一：安装必要的库
了解本专栏 订阅专栏 解锁全文 超级会员免费看
RK3588平台上YOLOv8-pose模型转换：yolov8-pose.pt转yolov8-pose.onnx
weixin_51988935的博客
12-24 718
​ YOLOv8的原生模型包含了后处理步骤，其中一些形状超出了RK3588的矩阵计算限制，因此需要对输出层进行一些裁剪。本文将详细介绍YOLOv8模型从PyTorch格式（.pt）转换为适合RK3588平台上推理的yolov8-pose.onnx结构，以便后续能够顺利将onnx转rknn格式并在RK3588设备上高效运行。注本文涉及的全部代码都已上传到百度云盘，链接置于文末 ​
使用rknn进行yoloV8部署（C++）
如果想成为中心，那么就到中心去吧。
12-30 1041
RKNN 是一个为 Rockchip 处理器（尤其是集成 NPU 的处理器）量身打造的神经网络推理框架，旨在为开发者提供高效的 AI 推理能力。RKNN（Rockchip Neural Network）是由 Rockchip（瑞芯微电子）公司开发的深度学习框架，旨在提供高效、优化的神经网络推理（inference）能力，支持各种类型的神经网络模型的加速运行，特别是针对 Rockchip 的 ARM 处理器和 NPU（神经网络处理单元）进行优化。操作硬件：香橙派开发板。操作硬件：x86主机。
yolov8n-pose转rknn格式，实现海康移动监测+行为识别
qq_28367963的博客
01-20 561
移动监测+行为识别
YOLOv8 Pose使用RKNN进行推理
qq_45195912的博客
11-08 730
yolov8-pose使用rknn进行部署
RKNN模型部署（3）—— 模型转换与测试
机器人涮火锅的博客
01-13 2万+
将pth模型转换成rknn模型，然后调用rknn模型进行测试
YOLOv8 Pose RKNN C++ 项目使用教程
gitblog_00055的博客
06-25 359
YOLOv8 Pose RKNN C++ 项目使用教程 yolov8pose_rknn_Cplusplus 项目地址: https://gitcode.com/gh_mirrors/yo/yolov8pose_rknn_Cplusplus ...
yolov8n 瑞芯微RKNN、地平线Horizon芯片部署、TensorRT部署，部署工程难度小、模型推理速度快
zhangqian_1的博客
01-11 7380
模型和完整仿真测试代码，放在github上参考链接。因为之前写了几篇yolov8模型部署的博文，存在两个问题：部署难度大、模型推理速度慢。该篇解决了这两个问题，且是全网部署难度最小、模型运行速度最快的部署方式。相对之前写的一篇【】将DFL写在后处理中模型加速了，针对后处理进行优化后时耗略微增加。
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 9238
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。
yolov8_pose.pt模型转yolov8_pose.rknn模型
weixin_44190670的博客
11-03 2037
yolov8_pose.pt模型转yolov8_pose.rknn模型
RKNN：yolov8模型转换与板端推理流程
AI数据工厂
04-27 7785
记录了“yolov8的torch模型转onnx再转rknn，并在瑞芯微RK3588上进行推理验证”的过程。
RK3588/RK3588s运行yolov8推理速度达到27ms
cg1135217680的博客
09-20 3584
小伙伴们~~我最近做了一个比较有意思的东西，想起来也好久没有写博客了，就记录一下吧。希望和大家一起学习，一起进步！ 我简单介绍一下我最近做的这个东西的经过哈~上个月在B站上看到了一个博主发了一条视频关于边缘计算相关的，他仅仅用了一块巴掌不到的开发板完成了yolo的目标检测功能，而且延时还比较低，成本也仅有100元不到！倍感神奇哇！然后我就去学习了一下，关于NPU计算相关的知识，刚好有小伙伴手里有一块类似的开发板，于是就有了这篇博客。
yolov8训练pt模型转换为rknn模型_部署在RK3588上--整个流程_笔记1
m0_60657960的博客
11-25 2244
yolov8的多卡训练其实很简单，不需要使用繁琐的命令行指令，仅需把device='0,1,2,3’即可，注意一定要加\和引号。至此数据集的准备已经就绪，索引文件在data目录下的train.txt/val.txt/test.txt。使用如下命令，即可完成对新数据的预测，source需要指定为自己的图像路径，或者摄像头（0）进入data/文件夹，新建coco.yaml，内容如下，注意txt需要使用绝对路径。images目录下存放数据集的图片文件。使用如下命令，即可完成训练模型的导出。
RK3588部署YOLOv8（1）：YOLOv8和YOLOv8-pose转ONNX及Python后处理代码实现
qq_40387714的博客
02-26 1977
对YOLOv8和YOLOv8-pose，使用RKNN官方代码转ONNX，主要用于在RK3588上的模型部署，方便后续ONNX转RKNN，可以使用RK官方代码一键转换+部署。
在瑞芯微RK3588平台上使用RKNN部署YOLOv8Pose模型的C++实战指南
weixin_51988935的博客
12-24 1357
在人工智能和计算机视觉领域，人体姿态估计是一项极具挑战性的任务，它对于理解人类行为、增强人机交互等方面具有重要意义。YOLOv8Pose作为YOLO系列中的新成员，以其高效和准确性在人体姿态估计任务中脱颖而出。本文将详细介绍如何在瑞芯微RK3588平台上，使用RKNN（Rockchip Neural Network Toolkit）框架部署YOLOv8Pose模型，并进行C++代码的编译和运行。注 本文全部代码、数据、模型、库，均已放置在文末的百度云盘链接里
yolov8pose 瑞芯微 RKNN 的 C++部署
zhangqian_1的博客
09-25 4714
上两篇博客和写了yolov8检测的C++部署和yolov8pose仿真部署。有网友希望开源yolov8pose在板子上部署的C++代码。这一篇写写基于rknn板子对yolov8pose进行C++部署，并开源提供完整的代码、模型、使用流程，供网友自行进行测试验证。【完整代码】
yolo v8 转rknn
wave789的博客
08-23 4666
本文: 1.是对detect模型的转换，对于classify、pose、segment后续再写，估计是差不多的； 2.支持量化。对于置信度量化后会全为0已经解决； 3.解决转换过程中出现的一些错误提示。主要是数组轴的大小超出限制的问题。
python关于onnx模型的一些基本操作
热门推荐
CFH1021的博客
09-23 3万+
onnx的基本操作一、onnx的配置环境二、获取onnx模型的输出层三、获取中节点输出数据四、onnx前向InferenceSession的使用1. 创建实例，源码分析2. 模型推理run，源码分析五、遇到的一些问题 最近在对模型进行量化时候，模型格式转变为onnx模型了，因此需要对onnx进行加载、运行以及量化（权重/输入/输出）。故，对onnx模型的相关操作进行简单的学习，并写下了这边博客，若有错误请指出，谢谢。 一、onnx的配置环境 onnx的环境主要包含两个包onnx和onnxruntime，我们
YoloV8改进策略：Block改进|FCM，特征互补映射模块|AAAI 2025|即插即用
m0_47867638的博客
06-09 880
FBRT-YOLO通过特征互补映射模块（FCM）与多内核感知单元（MKP）的创新设计，解决了航拍图像检测中小目标信息丢失和多尺度适应性不足的核心问题。理论层面：提出空间-语义信息互补映射机制，缓解深层网络位置信息衰减问题；工程层面：轻量化设计（参数量最高降74%）满足嵌入式设备实时需求；应用层面：在Visdrone等数据集上AP提升1.1-2.3%，为无人机安防、灾害监测提供高效解决方案。
yolo模型精度提升策略
最新发布
qq_47798402的博客
06-09 1043
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
yolov8pose和yolov8的前后处理一样吗
06-13
YOLOv8 和 YOLOv8Pose 是两个基于 You Only Look Once (YOLO) 检测框架的不同变体。YOLOv8 是YOLO系列的最新版本，它专注于对象检测任务，即在图像中定位并识别出预定义的类别。而 YOLOv8Pose 则是在 YOLOv8 的基础上增加了人体关键点检测的功能，用于估计人体的姿态和关节位置。 在前后处理（preprocessing and postprocessing）方面，它们有一些相似之处，比如都需要对输入图像进行缩放、归一化等操作，以便网络输入的标准化。但因为YOLov8Pose引入了额外的关键点检测任务，它可能还需要执行一些额外的预处理步骤，比如人脸对齐或人体分割，以及后处理时需要处理关键点坐标，这可能会涉及到不同类型的解码器和输出结果的解析。 具体到前后处理流程，YOLov8和YOLov8Pose可能存在以下差异： 1. **数据增强**：YOLov8Pose可能需要考虑关键点检测对姿势变化的敏感性，因此可能采用更细致的人体姿态相关的数据增强方法。 2. **目标检测与关键点预测**：YOLOv8的输出是一个bounding box及其置信度，而YOLOv8Pose则需要同时输出bounding box和关键点坐标，因此后处理会包含对这两个类型信息的合并和分析。 3. **关键点检测误差处理**：由于关键点检测精度通常低于边界框检测，后处理可能需要更复杂的错误处理策略。
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