1. 香橙派5 Plus与RK3588 NPU:边缘AI的完美搭档
香橙派5 Plus作为一款高性能的单板计算机,搭载了瑞芯微RK3588芯片,这颗芯片最吸引人的地方就是内置了强大的NPU(神经网络处理单元),能够提供高达6TOPS的AI算力。对于想要在边缘设备上运行目标检测模型的开发者来说,这简直就是天作之合。
我自己在实际项目中用过不少边缘计算设备,香橙派5 Plus给我的印象特别深刻。它不仅性能强劲,而且社区支持很好,资料相对丰富。最重要的是,通过NPU加速,我们可以在保持低功耗的同时,实现实时的目标检测推理,这对于物联网、智能监控等应用场景来说非常实用。
如果你之前只在PC上跑过YOLOv8模型,可能会觉得在嵌入式设备上部署很复杂。但其实只要掌握了正确的方法,整个过程还是挺顺畅的。接下来我会带你一步步完成从模型训练到最终部署的全过程,包括我踩过的一些坑和解决方案。
2. 环境准备:搭建稳定的开发基础
2.1 硬件和软件需求
在开始之前,我们需要准备以下环境:
开发机环境:
- Ubuntu 20.04系统(虚拟机或物理机均可)
- Python 3.8版本
- 至少8GB内存(模型转换需要较多内存)
香橙派5 Plus环境:
- 最新的官方系统镜像(建议使用Ubuntu或Debian版本)
- Python 3.9或更高版本
- USB摄像头(用于实时检测)
我强烈建议在Ubuntu 20.04上进行模型转换工作,因为这个版本与rknn-toolkit2的兼容性最好。我在Ubuntu 22.04上试过,遇到了一些依赖库冲突的问题,虽然可以解决,但对于新手来说可能会比较头疼。
2.2 安装Anaconda和创建虚拟环境
Anaconda可以帮助我们管理Python环境,避免不同项目之间的依赖冲突。安装步骤很简单:
# 下载Anaconda安装脚本
wget https://repo.anaconda.com/archive/Anaconda3-2024.06-1-Linux-x86_64.sh
# 运行安装脚本
bash Anaconda3-2024.06-1-Linux-x86_64.sh
# 创建专门的rknn环境
conda create -n rknn python=3.8
conda activate rknn
使用conda环境的好处是,如果后面操作中出现问题,我们可以轻松地删除环境重新开始,不会影响系统其他部分。
2.3 安装rknn-toolkit2
rknn-toolkit2是瑞芯微官方提供的模型转换工具,可以将常见的模型格式转换为rk3588 NPU能够识别的rknn格式。
# 克隆官方仓库
git clone https://github.com/airockchip/rknn-toolkit2.git
# 安装依赖库
cd rknn-toolkit2
pip install -r packages/requirements_cp38-2.1.0.txt
# 安装rknn-toolkit2
pip install packages/rknn_toolkit2-2.1.0+708089d1-cp38-cp38-linux_x86_64.whl
安装完成后,我们可以验证一下是否成功:
python -c "from rknn.api import RKNN; print('导入成功')"
如果没有任何错误提示,说明安装成功了。这里有个小坑要注意:官方提供的requirements文件可能不是完全准确,如果安装过程中有某个库版本冲突,可以尝试先安装基础版本,再手动调整。
3. YOLOv8模型训练与优化技巧
3.1 准备训练环境和数据
YOLOv8是目前最先进的目标检测算法之一,它在精度和速度之间取得了很好的平衡。我们先安装YOLOv8:
pip install ultralytics
数据准备是模型训练中最重要的一环。我建议使用COCO格式的数据集,因为YOLOv8直接支持这种格式。如果你的数据是VOC格式,需要先进行转换。
数据集目录结构应该是这样的:
dataset/
├── images/
│ ├── train/
│ └── val/
└── labels/
├── train/
└── val/
3.2 模型训练配置
YOLOv8提供了多种预训练模型,从轻量级的yolov8n到高精度的yolov8x。对于嵌入式部署,我建议从yolov8n或yolov8s开始:
from ultralytics im
1657



被折叠的 条评论
为什么被折叠?



