Yolov26 在 Rk3588 上的 Rknn Onnx 部署实践（模型转换）

YOLOv26 ONNX → RKNN 转换实践（RK3588）

在上一篇文章中，我们已经成功获取并验证了 YOLOv26 特调版 ONNX 模型 在 RK3588 上的推理流程参考：《Yolov26 在 RK3588 上的 RKNN ONNX 部署实践（C++）》。

本文将重点介绍 如何将 ONNX 模型转换为 RKNN 模型，包含量化数据集的准备、ONNX→RKNN 转换脚本以及实际调用示例。

一、量化数据集的创建

RKNN 在进行 INT8 / UINT8 量化时，需要提供一份 代表性数据集（Calibration Dataset）。该数据集用于统计激活分布，对最终精度影响较大。

本文采用从原始图片数据集中 随机抽取最多 400 张 JPG 图片 的方式，生成 RKNN 所需的数据集目录与 dataset.txt 文件。

1. 脚本说明

• 随机抽取图片，避免数据分布过于集中
• 自动创建 datasets/xxx/ 目录
• 生成与 RKNN 要求一致的相对路径 txt 文件

2. 创建量化数据集脚本（create_rk_dataset.py）

#!/usr/bin/env python
# coding=utf-8
"""
Create calibration dataset for RKNN quantization
"""
import os
import random
import shutil
from pathlib import Path

# 原始图片路径
data_path = "/data/DATA/images"
# RKNN 数据集输出路径
rk_data_path = f"datasets/{
     
     Path(data_path).parent.stem}"

# 清理旧文件
if os.path.exists(f"{
     
     rk_data_path}.txt"):
    os.remove(f"{
     
     rk_data_path}.txt")

if os.path.exists(rk_data_path):
    shutil.rmtree(rk_data_path)

os.makedirs(rk_data_path, exist_ok=True)

# 获取 JPG 文件列表
image_files = [f for f in os.listdir(data_path) if f.endswith('.jpg')]
print(f"找到 {
     
     len(image_files)} 张 JPG 图片")

# 最多抽取 400 张
num_files =