RK3588部署YOLO模型 包含模型量化+npu轻量化+ubuntu+RGA图像加速和多线程模型加速 包源码

最新推荐文章于 2026-04-18 15:38:59 发布
原创 最新推荐文章于 2026-04-18 15:38:59 发布 · 3.6k 阅读 · 29 GEO检测

专为小白打造的深度学习部署完整学习路径68篇文章带你深入了解TensorRT+RK3588

包含Jetson系列部署与RK系列部署

源码级讲解，理论与实战结合

专栏简介

本专栏是一套专为初学者设计的深度学习部署全栈学习体系，通过68篇由浅入深的教程，系统讲解TensorRT与RK3588平台的部署技术。内容涵盖Jetson系列和RK系列硬件部署，采用"理论+源码+实战"三位一体的教学方式，带您从零开始掌握工业级深度学习部署的全套技能。

 专栏特色

  • 零基础友好：从C++基础开始，逐步进阶到复杂项目部署

  • 实战导向：每个章节都配有实际项目案例

  • 全栈覆盖：从开发环境到硬件部署的完整技术链路

  • 主流平台：涵盖NVIDIA GPU、Jetson系列、瑞芯微RK3588等热门部署平台

 学习路径

 基础篇：夯实基础

标签
#YOLO #ubuntu #linux
了解本专栏 订阅专栏 解锁全文
rk3588部署自己训练的yolo11检测模型
zhuziheniaoer的博客
02-18 1268
rk3588部署yolo11
从零开始的深度学习部署实战专栏 TensorRT+RK3588+int8量化保姆级别教程
FJN110的博客
08-10 3609
《深度学习部署实战全栈指南》专栏提供从零开始的完整学习路径，涵盖TensorRT、Jetson和RK3588等主流平台部署。内容包括C++/CMake基础、Docker容器化、模型量化优化等核心技术，通过68篇实战文章系统讲解YOLO目标检测、人脸分析、车牌识别等工业级项目部署。特色在于零基础友好、全技术链路覆盖，包含Jetson边缘计算和RK3588硬件加速等专题，帮助开发者掌握从算法到硬件的全栈部署能力，适合算法工程师转型和嵌入式开发者进阶。
基于YOLOv5的RK3588部署与RGA 轻量化深度学习部署实战教程（包括性能优化与加速）36
FJN110的博客
07-28 8323
本文介绍了在RK3588芯片上使用RGA硬件加速器优化YOLOv5图像预处理的方法。通过对比实验发现，RGA实现的letterbox处理速度（约16fps）反而比OpenCV（约22fps）更慢且不稳定。文章详细说明了RGA的功能特性、YOLOv5预处理流程中的关键步骤（letterbox和BGR2RGB转换），以及通过监控命令观察RGA核心运行状态的方法。虽然RGA理论上能加速2D图形操作，但实际测试结果表明在当前应用场景下性能反而下降，这为RK3588平台的深度学习部署优化提供了重要参考。
RK3588 上部署自训练 YOLO11 的完整实战记录（从 ONNX 到 C++ 推理）
qq_55188320的博客
01-06 1915
本文记录了我作为，在上，将完整部署到板子上的全过程。（事后记载，可能有细节不到位，请谅解）包括：环境搭建、模型转换、PC 验证、C++ Demo 编译、板端运行，以及。希望能给同样在折腾 RKNN / RK3588 / YOLO 的朋友一些参考。
RK3588 部署 YOLOv11：从入门到实战的完整指南
FJN110的博客
11-05 414
本文介绍了在RK3588芯片上部署YOLOv11目标检测模型的全流程指南。主要内容包括：1)技术认知部分阐述YOLOv11与RK3588组合的优势及应用场景；2)PC端环境搭建详细说明VS Code、Python环境配置及依赖库安装；3)模型训练环节重点讲解数据集准备、标注和划分方法。该方案可实现边缘端高效目标检测，适用于安防监控、工业质检等多个领域。文章提供了从基础环境配置到模型训练落地的完整技术路线，帮助开发者快速掌握这一边缘AI部署技术。
【YOLO11部署至RK3588】模型训练→转换RKNN→开发板部署
热门推荐
A_l_b_ert的博客
11-16 2万+
最近，原YOLOv8团队发布了新的检测算法：YOLO11，算是和YOLOv10前后脚了，v10最大的特点是去除了NMS处理，YOLO11的亮点则是采用了全新的C3k2模块与C2PSA层，因此想从模型训练开始试试其最终部署效果，以下为正文。
瑞芯微 Rockchip 系列 RK3588 部署 yolo11 模型推理教程
Leon_Chenl的博客
02-07 6683
在上一篇文章中，我介绍了如何在瑞芯微 Rockchip 系列芯片将主流深度学习框架模型转换为 RKNN 模型。在这篇文章，我将介绍如何在瑞芯微 Rockchip 系列 RK3588 芯片上部署 yolo11 模型推理。本文章会使用到上一篇文章转换的 rknn 模型，因此如果还没看过上一篇文章的同学，建议优先阅读上一篇文章。本教程不仅适合 RK3588 平台，也适合其他 RK 系列平台，例如 RK3566、RK3568、RK3562 等。具体平台请参考RKNN-Toolkit2 文档。
yolov11 部署瑞芯微rk3588、RKNN部署工程难度小、模型推理速度快
zhangqian_1的博客
10-06 1万+
yolov8还没玩溜，yolov11又来了，那么部署也又来了。完整代码：包括onnx转rknn和测试代码、rknn板端部署C++代码。
RK3588部署yolov11结合OpenCV进行实时推理（保姆级！建议收藏！）
沉在嵌入式的鱼的博客
07-08 5060
本文介绍了在RK3588平台上部署YOLOv11模型并结合OpenCV进行实时推理的完整流程。首先通过工具将PyTorch模型转换为ONNX格式，再使用RKNN工具链转换为RKNN格式。详细说明了环境搭建、模型转换等步骤，包括安装miniconda3、配置RKNN环境等关键环节。最后提供了基于RKNN Lite的推理代码实现，展示如何加载模型、预处理图像、执行推理及可视化结果。整个流程实现了从模型转换到端侧部署的全链路解决方案，可用于实时目标检测任务。
超详细！YOLO11 部署 RK3588 全流程：从环境搭建到摄像头实时运行
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
11-05 3882
介绍了YOLO11+RK3588组合在边缘计算中的应用方案。YOLO11凭借轻量架构（5.2M参数）和优化的特征融合模块，在边缘设备上实现高效目标检测；RK3588作为国产算力板，其6TOPS NPU为YOLO11提供强力支撑。文章从硬件选型开始，逐步指导读者完成软件环境搭建、模型转换（ONNX→RKNN）、实时推理代码编写等完整部署流程，并通过剪枝、频率调节等优化手段提升性能。实测在640x640输入下可达64FPS，单帧功耗8.2W，适合安防监控、工业检测等实时场景。
【图像算法 - 05】RK3588 部署实战：YOLO11/YOLOv8(det/seg/pose/obb) 毫秒级推理入门（理论精讲 + 代码落地，新手零门槛上手）
qq_42910179的博客
07-27 4633
RK3588 作为国产化芯片中的佼佼者，在边缘计算和嵌入式设备领域展现出强劲实力。其搭载的四核 Cortex - A76 和四核 Cortex - A55 处理器架构，为深度学习模型的运行提供了坚实的算力支撑。同时，集成的专用 NPU 单元，针对神经网络运算进行了深度优化，能够高效处理 YOLO 系列模型的推理任务，满足实时性要求较高的场景需求。YOLO 系列模型一直是目标检测领域的热门选择， YOLOv11 更是在精度和速度上达到高峰。在国产化芯片 RK3588 上部署这些模型，既能发挥模型的高效检测能力
rk3588部署yolov11_pt/yolov11_obb
xyydjjsbsn的博客
07-12 2173
在RK3588平台上部署YOLOv11 pt/obb的完整流程
香橙派5 RK3588 RKNN开发环境配置 YOLO11模型转换NPU部署推理 (2024.11)
weixin_45686120的博客
11-28 1万+
本文详细记录了笔者在2024年11月配置的YOLO11训练和测试环境，和之前配置YOLOv8的步骤内容基本一致，分别完成Windows PC YOLO模型训练机、Ubuntu PC RKNN模型开发机、RK3588 RKNPU边缘部署设备，三个平台的RKNN模型开发流程配置，使用瑞芯微提供RKNN Toolkit 2工具V2.3.0最新版，将yolo11模型转成onnx再转成rknn模型，最后交叉编译构建示例，实现在开发板使用C API调用NPU推理yolov8目标检测模型。
全网最硬核实测：RK3588 跑 YOLO 目标检测，NPU 性能摸底
最新发布
米联客(milianke)
04-18 1772
大家好，我是小米。最近 AI 大模型火得一塌糊涂，但说实话，在嵌入式场景里，跑个 YOLO 做目标检测才是真正的刚需——工业质检、缺陷检测、机器人视觉、智能安防……这些场景用不上 GPT，但非常需要一个能实时跑得动的目标检测模型。RK3588 内置了 6TOPS 算力的 NPU，纸面参数很漂亮。但实际跑起来能跑多快？能同时跑几路？选什么模型最划算？这篇文章，我用三块 RK3588 开发板、四个 YOLO 模型、跑了 200+ 组数据，给你一个可以直接抄的实战结论。
从 TensorFlow 到 RKNN：工业嵌入式 AI 模型转换避坑指南 (以电鱼 RK3588 为例)
11-25 687
的全能组合，帮助开发者填平了从“算法模型”到“工业产品”之间的鸿沟。遵循上述避坑指南，你将能构建出既快又稳的工业级 AI 系统。很多时候，NPU 推理很快（比如 10ms），但 CPU 做图像缩放、归一化却花了 30ms，导致整体帧率上不去。在进行模型转换前，首先要确认硬件底座是否“扛得住”工业现场的算力与环境需求。从 TensorFlow 到 RKNN 的转换不仅仅是软件格式的变更，更是对硬件架构的深度适配。很多工程师在 PC 上跑通了模型，一转 RKNN 就报错。实验室里跑得好好的，一上产线就死机？
训练自己的yolo模型，并部署到rk3588上
DraemSky的博客
05-27 1992
本文介绍了如何使用自己的训练集训练一个yolo的模型，并且通过rk的官方工具将其转换onnx模型，再转换为rknn模型。
RK3588，基于 Npu 实现 yolov11 Segment 推理
J。
01-01 949
完整代码, 代码有点乱, 自己整理下…
在国产芯片上实现YOLOv5/v8图像AI识别-【2.1】RK3588介绍及性能展示更多内容见视频
weixin_41864178的博客
07-22 2384
本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。RK3588是瑞芯微公司开发的一款芯片，对我们做图像识别的来说，最终点的就是他有6TOPS的npu，可以支持AI场景。这是一个很大的跨越，在国产AI芯片出来之前，我们大部分只能使用老黄的GPU进行部署，费用会很高，而且性能会有明显过剩。使用国产化芯片之后很明显的性价比提升。
RK3588的YoloV8模型的量化优化技术
weixin_46747526的博客
03-02 2717
需要结合训练时的伪量化步骤，比如在TensorFlow中插入伪量化节点，然后导出模型，再使用RKNN-Toolkit2进行转换，这时候可能不需要再做量化，或者需要调整参数。1、缘由：将YOLOV8训练出的模型pt转换为onnx后再通过一定数量的样本图像进行量化，虽然可通过增加量化样本图像的方法得到一定的改善，但是增加太多的样本数量出现量化不能完成的现象（100多张），会发现识别精度也很难上去。也就是在训练过程中就考虑量化带来的影响，这样模型在训练时会模拟量化过程，让模型在量化后精度损失更小。
RK3588/RK3588s运行yolov8推理速度达到27ms
cg1135217680的博客
09-20 5768
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。
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

打赏作者

YOLO君

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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