网站建设公司的市场营销方案宁波网站建设费用

若该文为原创文章，转载请注明原文出处。

基于Yolov8的训练及部署，参考鲁班猫的手册训练自己的数据集部署到RK3568,用的是正点的板子。

1、 使用 conda 创建虚拟环境

conda create -n yolov8 python=3.8
​
conda activate yolov8

2、 安装 pytorch 等等

根据pytorch自行安装

3、 安装 ，直接使用命令安装

方法有两种，个人使用的是第二种方法：

方法一：

通过pip安装

pip install ultralytics -i https://mirror.baidu.com/pypi/simple

方法二：

通过拉取仓库然后安装

git clone https://github.com/ultralytics/ultralytics
​
cd ultralytics
​
pip install -e .

# 安装成功后，使用命令 yolo 简单看下版本

(yolov8) llh@anhao:/$ yolo version
​
8.0.206

4、简单测试

下载权重文件

wget https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt

*获取测试图片，可以下面位置获取，可能会失败，也可以从配套例程获取

wget https://ultralytics.com/images/bus.jpg

使用 yolo 命令进行测试

yolo detect predict model=./yolov8n.pt source=./bus.jpg

​# 预测图片结果保存在当前 runs 目录下，具体路径是./runs/detect/predict/bus.jpg

参数说明：
# 第一个参数是指任务 [detect, segment, classify], 这里测试目标检测是 detect，该参数
是可选的；
# 第二个参数 model，设置模型，该参数必须指定；
# 其他参数，source 指定要预测的图片路径，imgsz 指定图像尺寸等等，更多参数具体参考下：
https://docs.ultralytics.com/usage/cfg/

5、模型训练

以COCO128为例，训练测试

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=300 imgsz=640

测试

yolo detect predict model=./runs/detect/train/weights/best.pt source=./bus.jpg

6、模型导出

使用 airockchip/ultralytics_yolov8 可以直接导出适配 rknpu 的模型，在 npu 上获得更高的推理效率。

该仓库对模型进行了优化：

• dfl 结构在 NPU 处理上性能不佳，移至模型外部。

• 假设有 6000 个候选框，原模型将 dfl 结构放置于’’框置信度过滤”前，则 6000 个候选框

都需要计算经过 dfl 计算；而将 dfl 结构放置于’’框置信度过滤”后，假设过滤后剩 100 个

候选框，则 dfl 部分计算量减少至 100 个，大幅减少了计算资源、带宽资源的占用。

假设有 6000 个候选框，检测类别是 80 类，则阈值检索操作需要重复 6000* 80 ~= 4.8*10^5 次，占据

了较多耗时。故导出模型时，在模型中额外新增了对 80 类检测目标进行求和操作，用于快速过滤

置信度。

(该结构在部分情况下有效，与模型的训练结果有关) 可以在./ultralytics/nn/modules/head.py

52 行 ~54 行的位置，注释掉这部分优化，对应的代码是:

cls_sum = torch.clamp(y[-1].sum(1, keepdim=True), 0, 1)
y.append(cls_sum)

具体参考下 RKOPT_README.md 。

导出torchscript模型

# 拉取 airockchip/ultralytics_yolov8
git clone https://github.com/airockchip/ultralytics_yolov8.git
cd ultralytics_yolov8
​
# 复制训练的模型 yolov8n.pt 到 ultralytics_yolov8 目录下
# 然后修改./ultralytics/cfg/default.yaml 文件，主要是设置下 model，为自己训练的模型
路径：
model: ./yolov8n.pt # (str, optional) path to model file, i.e. yolov8n.pt, yolov8n.yaml
data: # (str, optional) path to data file, i.e. coco128.yaml
epochs: 100 # (int) number of epochs to train for
​
# 导出模型：
python ./ultralytics/engine/exporter.py
#导出的模型，保存在当前目录下的 yolov8n_rknnopt.torchscript

导出ONNX模型

yolo export model=path/to/best.pt format=onnx  # export custom trained model

7、RKNN模型转换

模型转换是通过tooolkit2转成rknn模型的，需要先安装toolkit2，具体安装参考正点原子的。

这是使用的是 rknn_model_zoo 仓库 的程序，直接转换模型,

# 拉取 rknn_model_zoo，（注意教程测试时 rknn_model_zoo 的 SHA 是
22462182b91c7d856b59a8ec3e4a25bba8813d17）
git clone https://github.com/airockchip/rknn_model_zoo.git
# 然后切换到 models/CV/object_detection/yolo/RKNN_model_convert 目录下
cd rknn_model_zoo/models/CV/object_detection/yolo/RKNN_model_convert

在录前目录下创建yolov8_rk3568.yml文件，内容如下：

# model_framework: onnx
model_framework: pytorch
model_file_path: /mnt/f/wsl_file/wsl_ai/yolov8/ultralytics_yolov8/yolov8n_rknnopt.torchscript
RK_device_platform: rk3568
# RK_device_id: simulator
dataset: ../../../../../datasets/COCO/coco_subset_10.txt
quantize: True
# pre_compile: online
graph:
in_0:
shape: 1,3,640,640
mean_values: 0
std_values: 255
img_type: RGB
configs:
quantized_dtype: asymmetric_quantized-8
quantized_algorithm: normal
optimization_level: 3
# force_builtin_perm: True

注意三个地方：

1、model_framework可以使用onnx也可以是pytorch
2、model_file_path：模型路径
3、RK_device_platform： 平台

使用命令或者创建脚本执行模型转换等操作

# 使用 rknn_convert.py，转换模型
python ../../../../../common/rknn_converter/rknn_convert.py --yml_path ./yolov8_rk3568.yml

转换的模型保存在当前目录 model_cvt/RK3568/下，模型文件是 yolov8n_rknnopt_RK3568_i8.rknn。

8、部署

使用 rknn_model_zoo 仓库 提供的 RKNN_C_demo，在板端部署

# 拉取 rknn_model_zoo 仓库源码，注意教程测试的 rknn_model_zoo 仓库版本是
22462182b91c7d856b59a8ec3e4a25bba8813d17
​
git clone https://github.com/airockchip/rknn_model_zoo.git
# 切换到~/rknn_model_zoo/libs/rklibs 目录，然后拉取相关库，包括 rknpu2 和 librga
cd ~/rknn_model_zoo/libs/rklibs
git clone https://github.com/rockchip-linux/rknpu2
git clone https://github.com/airockchip/librga
# 然后切换到~/rknn_model_zoo/models/CV/object_detection/yolo/RKNN_C_demo/RKNN_toolkit_2/rknn_yolo_demo 目录
cd rknn_model_zoo/models/CV/object_detection/yolo/RKNN_C_→demo/RKNN_toolkit_2/rknn_yolo_demo
# 运行 build-linux_RK3568.sh 脚本，编译工程（使用系统默认的编译器），最后生成的文件安装
在 build/目录下
./build-linux_RK3568.sh

执行命令进行模型推理：

# 切换到 install/rk3568/Linux/rknn_yolo_demo 目录下，复制前面转换出的 yolov8n_→rknnopt_RK3568_i8.rknn 模型文件到目录下，
# 然后把文件拷贝到开发板上执行下面命令：

./rknn_yolo_demo␣yolov8 q8 ./yolov8n_rknnopt_RK3588_i8.rknn ./model/bus640.jpg

#运行后会在目录下生成out.jpg

参考链接

Quickstart - Ultralytics YOLOv8 Docs

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

GitHub - airockchip/ultralytics_yolov8: NEW - YOLOv8 🚀 in PyTorch > ONNX > CoreML > TFLite

GitHub - airockchip/rknn_model_zoo

如有侵权，或需要完整代码，请及时联系博主。