【YOLOv8部署至RK3588】模型训练→转换RKNN→开发板部署

------------25.3.25更新内容如下：

已在GitHub开源与本博客同步的YOLOv8_RK3588_object_detect项目，地址：https://github.com/A7bert777/YOLOv8_RK3588_object_detect

详细使用教程，可参考README.md或参考本博客第五章 模型部署

文章目录

• 一、文件梳理
• 二、模型训练
• 三、PT转ONNX
• 四、ONNX转RKNN
• 五、模型部署

  一、文件梳理

  之前博主发布过YOLOv8转RKNN模型并在开发板上部署的流程，但是遇到了许多问题，发现很难修补，遂决定在官方项目下进行模型转换与部署（之前的转换是在Github个人博主的项目下进行的）

  OK，进入正题，模型转换需要以下工具：ultralytics_yolov8、rknn_model_zoo、rknn-toolkit2，现在详细介绍这三者的关系。

  以上三个文件均与模型训练无关，而是用于模型转换的，其中，ultralytics_yolov8文件不是必需的，但最好还是下载一份，原因后面会讲；在此，先将以上三个文件的链接放在这：ultralytics_yolov8，rknn_model_zoo ，rknn-toolkit2。

  另外说一下这三个文件的版本，全用最新的，rknn_model_zoo用v2.1.0，rknn-toolkit2也用v2.1.0，ultralytics_yolov8只有一个main版本，直接用即可，如下所示：

  

  

  

  解释下为什么要用ultralytics_yolov8

  ultralytics_yolov8相较ultralytics做以下改动：

  1、修改输出结构，移除后处理结构（后处理结构对量化不友好）（但是量化后得到的score往往集中在几个固定的值，这也是量化的缺陷之一，但是速度会快很多）

  2、 dfl结构在NPU处理上性能不佳，移至模型外部的后处理阶段，此操作大部分情况下可提升推理性能。

  3、模型输出分支新增置信度的总和，用于后处理阶段加速阈值筛选。

  注：以上移除的操作，均需要在外部使用CPU进行相应的处理.（对应的后处理代码可以在rknn_model_zoo中找到

  这三个链接，全是在瑞芯微在Github上的官方仓库，最好科学上网后下载，其中，在Github上搜索rknn-toolkit2会有两个仓库，请以我的链接为准，另一个仓库是瑞芯微之前的官方仓库，并已弃用，现已转为上示链接。

  现在讲一下这三个文件的关系，最先用到的是ultralytics_yolov8，在我们训练得到PT模型后，就需要用ultralytics_yolov8实现PT到ONNX模型的转换。其次要用到的是rknn-toolkit2，用其来配置ONNX转RKNN模型的环境。最后，在这个环境下，执行rknn_model_zoo中的py文件，进行模型转换，得到所要的RKNN模型。

  最后，再放一张图，捋清RKNPU2（即rknn-toolkit2）与rknn_model_zoo的版本对应关系，避免版本不对导致的不适配问题。

  

  下面开始进入正题，先进行模型训练。

  二、模型训练

  YOLOv8的模型训练教程，很多，基础不多叙述，大家可以直接参考其他文章

  但有几点关照大家：

  1.在完成YOLOv8的pt模型训练后，建议大家在配置pt转onnx的环境时，严格按照此文进行配置，**尤其是

  pip install -e .，这一步尤为重要，不可省略。**另外，有很多人提到现在down下来的ultralytics_yolov8文件夹中找不到requirments.txt文件，在此将requirments.txt公示如下，可自创一个txt文件，把内容复制进去再pip install。

  # Ultralytics requirements
  # Usage: pip install -r requirements.txt
  # Base ----------------------------------------
  matplotlib>=3.2.2
  numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
  opencv-python>=4.6.0
  pillow>=7.1.2
  pyyaml>=5.3.1
  requests>=2.23.0
  scipy>=1.4.1
  torch>=1.7.0
  torchvision>=0.8.1
  tqdm>=4.64.0
  # Logging -------------------------------------
  # tensorboard>=2.13.0
  # dvclive>=2.12.0
  # clearml
  # comet
  # Plotting ------------------------------------
  pandas>=1.1.4
  seaborn>=0.11.0
  # Export --------------------------------------
  # coremltools>=7.0.b1  # CoreML export
  # onnx>=1.12.0  # ONNX export
  # onnxsim>=0.4.1  # ONNX simplifier
  # nvidia-pyindex  # TensorRT export
  # nvidia-tensorrt  # TensorRT export
  # scikit-learn==0.19.2  # CoreML quantization
  # tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
  # tflite-support
  # tensorflowjs>=3.9.0  # TF.js export
  # openvino-dev>=2023.0  # OpenVINO export
  # Extras --------------------------------------
  psutil  # system utilization
  py-cpuinfo  # display CPU info
  # thop>=0.1.1  # FLOPs computation
  # ipython  # interactive notebook
  # albumentations>=1.0.3  # training augmentations
  # pycocotools>=2.0.6  # COCO mAP
  # roboflow
  

  2.另外，yolov8的训练方式有很多种，有的是通过命令行进行训练，有的是自己写一个train.py的脚本，在脚本中输入超参数后，再进行训练…，在此，博主建议大家采用脚本训练的方法，并且将脚本放在ultralytics文件夹的同级下，如图所示：

  

  另外，train.py脚本内容如下：

  

  因为在YOLOv8的项目中，存在一个ultralytics文件夹，而我们在配置环境的时候，又有名为ultralytics的环境包，二者存在歧义，导致我们在ultralytics文件夹中进行参数修改后却不生效的情况，（这时如果仍要通过命令行进行训练，必须要在环境配置文件中进行相应修改），比如更改激活函数后，发现得到的PT模型仍为最初的SiLU激活函数，这是因为命令行会优先调用环境配置文件中的参数，所以在ultralytics文件夹中修改激活函数后并不会生效（博主自己踩坑，请大家避免）。

  3.最重要的一点：要改激活函数为ReLU，我们如果默认不改，则训练得到的PT模型的激活函数为SiLU，如下所示：

  

  SiLU函数在PT模型中无任何问题，与ReLU函数的训练结果对比非常接近（仅在博主数据集上如此）

  

  改激活函数流程如下：把ultralytics/nn/modules/conv.py中的Conv类进行修改，将default_act = nn.SiLU() # default activation改为

  default_act = nn.ReLU() # default activation

  如下所示：

  

  大家要是不放心，可以在conv.py中搜索SiLU，然后全部替换为ReLU，如果我们只是引用正常的yolov8.yaml，其实只修改Conv类下即可，因为backbone和neck中并未调用其他类模块。

  三、PT转ONNX

  在训练得到PT模型后，我们可以用netron软件打开模型，看一下结构，如图所示：

  现在我们的激活函数已经为ReLU了。

  在YOLOv8同级目录下放置从Github上下载的ultralytics_yolov8文件，我将其重命名为了ultralytics_yolov8(ptconvert2onnx)。进入文件，将我们的PT模型放置进去，如图所示：

  

  在终端执行命令：yolo export model=yolov8relupt.pt format=rknn

  生成如下结果，同时在目录中生成我们想要的ONNX模型

  

  再用netron打开我们的onnx模型，如下所示：

  

  

  注意！上图的三个红色方框非常重要，YOLOv8在RKNN转换过程中，是要有三个分支的，分别80×80检测头，40×40检测头，20×20检测头。每个检测头下，都有三个输出，分别是box边框输出，即图上的1×64×80×80；还有各类别输出，即1×4×80×80（这里的4就是指我在PT模型训练时的garbage.yaml文件中定义了4个类别），最后是综合置信度输出，即1×1×80×80。（其余检测头同理）

  四、ONNX转RKNN

  在进行这一步的时候，如果你是在云服务器上运行，请先确保你租的卡能支持RKNN的转换运行。博主是在自己的虚拟机中进行转换。

  先安装转换环境

  这里我们先conda create -n rknn210 python=3.8创建环境，创建完成如下所示：

  

  现在需要用到rknn-toolkit2-2.1.0文件。

  进入rknn-toolkit2-2.1.0\rknn-toolkit2-2.1.0\rknn-toolkit2\packages文件夹下，看到如下内容：

  

  在终端激活环境，在终端输入pip install -r requirements_cp38-2.1.0.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

  然后再输入pip install rknn_toolkit2-2.1.0+708089d1-cp38-cp38-linux_x86_64.whl

  然后，我们的转rknn环境就配置完成了。

  现在要进行模型转换，其实大家可以参考rknn_model_zoo-2.1.0\examples\yolov8下的README指导进行转换：

  

  

  这里我也详细再说一遍转换流程：先进入rknn_model_zoo-2.1.0\examples\yolov8\python文件夹，先打开yolov8.py，进行适配参数修改：

  

  

  然后修改convert.py，如下所示：

  

  修改完成后，将我们之前得到的onnx模型复制到python文件夹下：

  

  打开终端，激活rknn210环境，输入命令：python convert.py yolov8relupt.onnx rk3588

  结果如下：

  可以看到，我们的模型转换并量化成功。

  转换后的rknn模型已保存在model文件夹下。

  

  现在用netron打开我们的rknn模型，看一下结构：

  

  这三个红框是和上面图中的三个红框对应的，所以若onnx没有所示的那三个框，则无法转换出适配官方部署文件的rknn模型。

  五、模型部署

  如果前面流程都已实现，模型的结构也没问题的话，则可以进行最后一步：模型端侧部署。

  我已经帮大家做好了所有的环境适配工作，科学上网后访问博主GitHub仓库:YOLOv8_RK3588_object_detect 进行简单的路径修改就即可编译运行。

  统一声明：

  1、这个仓库的项目只能做图片的批量检测，不支持视频流检测，没时间做这个，有需要的自己修改代码。

  2、从GitHub的README.md中加QQ后直接说问题和小星星截图，对于常见的相同问题，很多都已在CSDN博客中提到了（RKNN转换流程是统一的，可去博主所有的RKNN相关博客下去翻评论），已在评论中详细解释过的问题，不予回复。

  重点：请大家举手之劳，帮我的仓库点个小星星

  点了小星星的同学可以免费帮你解决转模型与部署过程中遇到的问题。

  

  git clone后把项目复制到开发板上，按如下流程操作：

  ①：cd build，删除所有build文件夹下的内容

  ②：cd src 修改main.cc，修改main函数中的如下三个内容：

  

  将这三个参数改成自己的绝对路径

  ③：cd src 修改postprocess.cc下的txt标签的绝对路径：

  

  解释一下，这个标签路径中的内容如下所示：

  其实就是你在训练yolov8时在yaml配置文件中的那几个类别名

  ④修改include/postprocess.h 中的宏 OBJ_CLASS_NUM

  

  ⑤：把你之前训练好并已转成RKNN格式的模型放到YOLOv8_RK3588_object_detect/model文件夹下，然后把你要检测的所有图片都放到YOLOv8_RK3588_object_detect/inputimage下。

  在运行程序后，生成的结果图片在YOLOv8_RK3588_object_detect/outputimage下

  ⑥：进入build文件夹进行编译

  cd build
  

  cmake ..
  

  make
  

  在build下生成可执行文件文件：rknn_yolov8_demo

  在build路径下输入

  ./rknn_yolov8_demo
  

  运行结果如下所示：

  

  原inputimage文件夹下的图片：

  

  在执行完./rknn_yolov8_demo后在outputimage下的输出结果图片：

  

  可以看到，与终端结果一致。

  以下是其他场景部署结果示例：

  

  作为对比，我们把没修改激活函数的PT模型转换后的ONNX转换得到的RKNN模型进行部署，结果如下：

  

  可以看到，同一张图片，SiLU激活函数在部署后的目标score量化过程中存在问题（之前博主也遇到类似的问题，主要原因:1.是量化值范围为-128到127，但是127值在量化后变为了0，再传输至sigmoid函数，出来的结果自然是0.5，即图中50.0%的检测结果；2.量化过程中的scale值在SiLU上表现不好，如果修改部署环节的scale值，比如进行放大，则也可以score高于50%，但是放大比例不好确定，属于自娱自乐）。所以在此，建议大家都在训练pt模型时，改为ReLU激活函数。

  另外，将模型激活函数转为ReLU后，RKNN模型大小由5.27MB降为3.87M，降低了26.6%。另外检测速度也得到了提升，在50张1080P图像的demo检测中，转为ReLU后在NPU上的处理速度也得到了很大的提升，如图所示。

  

  

  上述即博主此次更新的YOLOv8部署RK3588，包含PT转ONNX转RKNN的全流程步骤，欢迎交流！