yolov8训练pt模型转换为rknn模型_部署在RK3588上--整个流程_笔记1

山山而川_R

已于 2025-06-24 14:22:12 修改

阅读量2.6k

点赞数 35

CC 4.0 BY-SA版权

分类专栏：香橙派文章标签： YOLO

于 2024-11-25 15:23:40 首次发布

本文链接：https://blog.csdn.net/m0_60657960/article/details/144026165

一、环境准备

二、数据准备

1、指定格式存放数据集

2.在data目录下新建voc_label.py文件;里面存放代码，里面classes需要改成自己的类别

五、PC端安装RKNNtoolkit2的及其环境

ONNX转RKNN

1、创建环境

2、这里需要用到rknn-toolkit2文件

3、安装rknn-toolkit2环境

4、现在要进行模型转换

六、模型部署到RK3588上

RKNPU SDK的版本

yolov8官网地址：yolov8

官网文档地址

rknn_zoo

RKNPU2_SDK 模型文件

RKNN Model Zoo RKNPU SDK的版本

rknn_model_zoo

RKNN Model Zoo基于 RKNPU SDK 工具链开发, 提供了目前主流算法的部署例程. 例程包含导出RKNN模型, 使用 Python API, CAPI 推理 RKNN 模型的流程.

支持 RK3562, RK3566, RK3568, RK3588, RK3576 平台。
部分支持RV1103, RV1106
支持 RK1808, RV1109, RV1126 平台。

一、环境准备

在这之前，需要先准备主机的环境，环境如下：

Ubuntu22.04
cuda12.4

三个文件的链接放在这：ultralytics_yolov8，rknn_model_zoo ，rknn-toolkit2

进入自己带pytorch的虚拟环境，与之前的yolo系列安装都不太一样，yolov8仅需要安装ultralytics这一个库：

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

1、创建虚拟环境

conda create -n yolo8 python==3.10 -y

conda activate yolo8

2、下载ultralytics库

 pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install -r requirements.txt  -i https://pypi.tuna.tsinghua.edu.cn/simple

另外一种方法：需要先克隆git仓库，再进行安装；二者取其一即可

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

二、数据准备

1、指定格式存放数据集

在yolov8/data目录下新建Annotations, images, ImageSets, labels 四个文件夹
images目录下存放数据集的图片文件
Annotations目录下存放图片的xml文件（labelImg标注）

这里直接参考我的另一篇文章

（链接：yolov7训练数据集详细流程bike-car-person_yolov7模型训练详细过程-CSDN博客）

1）新建split_train_val.py文件

运行之后会在ImageSets/Main下生成四个.txt文件

2.在data目录下新建voc_label.py文件;里面存放代码，里面classes需要改成自己的类别

运行之后生成3个txt文件

3、修改数据加载配置文件

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

# COCO 2017 dataset http://cocodataset.org
# Train command: python train.py --data coco.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /coco
#     /yolov5


# download command/URL (optional)
# download: bash data/scripts/get_coco.sh

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
# train: ../coco/train2017.txt  # 118287 images
# val: ../coco/val2017.txt  # 5000 images
# test: ../coco/test-dev2017.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

train: /home/sxj/yolov8/data/train.txt  # 118287 images
val: /home/sxj/yolov8/data/val.txt  # 5000 images
test: /home/sxj/yolov8/data/test.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# number of classes
nc: 3

# class names
names: [ 'bike','carsgraz','person' ]

# Print classes
# with open('data/coco.yaml') as f:
#   d = yaml.load(f, Loader=yaml.FullLoader)  # dict
#   for i, x in enumerate(d['names']):
#     print(i, x)

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

三、模型训练/验证/预测/导出

（1)模型训练

进入虚拟环境，进入yolov8文件夹，终端中输入，开始训练：

yolo task=detect mode=train model=yolov8n.pt data=data/coco.yaml batch=1 epochs=50 imgsz=640 workers=8 device=0

yolo task=detect mode=train model=yolov8n.pt data=data/coco.yaml batch=1 epochs=50 imgsz=640 workers=8 device=0

多卡训练

yolov8的多卡训练其

最低0.47元/天解锁文章

200万优质内容无限畅学