RKNN

rknn优化教程（三）

/rknn_engine├──include│├──def││└──rknn_define.h│└──rknn_engine.h├──src│├──common││├──rknn_data.h││└──

凌佚·2025-06-28 02:58

【RKNN】RKNN-Toolkit2 Python API之accuracy_analysis函数详解

accuracy_analysis()是RKNN-Toolkit2中用于量化精度分析的核心接口，通过对比浮点模型与量化模型（或NPU硬件推理）的输出差异，定位量化误差来源。

浩瀚之水_csdn·2025-06-26 00:17

Ubuntu24.04 onnx 模型转 rknn

前面的环境配置有点懒得写，教程也很多，可以自己找rknn-toolkit2gitee地址：pingli/rknn-toolkit2试了很多开源的代码，都没办法跑通，最后自己改了一版微调后的qwen2模型适用

一只名叫Me的猫·2025-06-12 19:16

RKNN3588配置推理环境

查看NPU使用率sudowatch-n0.1/sys/kernel/debug/rknpu/loa

不要绝望总会慢慢变强·2025-06-12 04:58

RKNN-Toolkit 开源项目教程

RKNN-Toolkit开源项目教程rknn-toolkit项目地址:https://gitcode.com/gh_mirrors/rk/rknn-toolkit1.项目介绍RKNN-Toolkit是一款由

彭宏彬·2025-06-11 01:24

rknn优化教程（二）

`rknn_engine`库1.前述OK，开始写第二篇的内容了。

凌佚·2025-06-11 01:21

保姆级教程：RK3588部署yolo目标检测模型

整体分为两大块：PartA：在PC上，训练yolo目标检测模型（.pt格式）；再转为.onnx格式；最后转为.rknn格式。PartB：在板卡上，运行rknn格式的模型。Par

ling913·2025-05-28 18:00

RK3588 RKNN ResNet50推理测试

RK3588RKNNResNet50推理测试一、背景二、性能数据三、操作步骤3.1安装依赖3.2安装rknn-toolkit,更新librknnrt.so3.3下载推理图片3.4生成`onnx`模型转换脚本

Hi20240217·2025-05-22 07:32

野火鲁班猫(arrch64架构debian)从零实现用MobileFaceNet算法进行实时人脸识别（四）安装RKNN Toolkit Lite2

RKNNToolkitLite2是瑞芯微专为RK系列芯片开发的NPU加速推理API。若不使用该工具，计算任务将仅依赖CPU处理，无法充分发挥芯片高达6TOPS的NPU算力优势。按照官方文档先拉一下官方代码库，然后通过whl文件安装，因为我是python3.10环境，选择cp310的安装包gitclonehttps://gitee.com/LubanCat/lubancat_ai_manual_co

熊猫在哪·2025-05-21 15:14

RK3568的rknn环境配置

本专栏部署为官方yolov8n模型，自己训练的1类物体的识别的部署（与官方的80类不一样）1.先安装rknn-toolkit2pipinstallrknn-toolkit22.第一步安装完成以后，可以实现

Livan.Tang·2025-05-19 10:34

RK3568-npu

参考模型链接https://github.com/airockchip/rknn_model_zoo/tree/main?

Paper_Love·2025-05-08 21:01

rk3568-mobilenet-main.cc解析

rk3568-mobilenet-main.cc解析前言解析总结前言正点原子rk3568学习，rk官方RKNN_MODEL_ZOO文件中rknn_model_zoo-main/examples/mobilenet

超级韩逗逗·2025-04-27 20:37

RK3576 LINUX RKNN SDK 测试

安装Conda工具安装MiniforgeCondawget-chttps://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.shchmod777Miniforge3-Linux-x86_64.shbashMiniforge3-Linux-x86_64.shsource~/minif

Lary_Rock·2025-04-25 15:13

【边缘设备】yolov5训练与rknn模型导出并在RK3588部署~1.环境准备（亲测有效）

一、环境准备【边缘设备】yolov5训练与rknn模型导出并在RK3588部署~1.环境准备（亲测有效）二、环境验证【边缘设备】yolov5训练与rknn模型导出并在RK3588部署~2.环境验证（亲测有效

老周有AI~算法定制·2025-04-18 18:35

yolov8模型在rk3588的环境部署（详细版）

rknn手册最主要参考文档官方文档：9.YOLOv8—[野火]嵌入式AI应用开发实战指南—基于LubanCat-RK系列板卡文档文件介绍rknn-toolkit2:一般用于在pc端布置环境进行模型转换rknn_toolkit_lite2

1028_左傲杰·2025-04-18 17:35

ArmSoM Sige5 & CM5：RK3576 上 Ultralytics YOLOv11 边缘计算新标杆

在计算机视觉技术加速落地的今天，ArmSoM正式宣布其基于RockchipRK3576的旗舰产品Sige5开发板和CM5核心板全面支持UltralyticsYOLOv11模型的RKNN部署。

ArmSoM开源硬件·2025-04-15 12:39

RK3588上Linux系统编译C/C++ Demo时出现BUG：The C/CXX compiler identification is unknown

aarch64-linux-gnu-g++方法二：下载使用官方指定的交叉编译工具方法三：使用本地系统中安装的gcc和g++注意：方法一、二、三运行前都需要找到`/home/firefly/second/rknn_model_zoo

筱戥芊茹·2025-04-14 12:30

RK3588 NPU开发环境搭建

下面是相应的步骤（对应的命令）：0.依赖文件RKNPU2工程下载地址：rknn-toolkit2/rknpu2atmaster·airockchip/rknn-toolkit2·G

stxinu·2025-04-11 21:10

RK3568笔记五十六：yolov8_obb旋转框训练部署

本文基于rknn_model_zoo和山水无移大佬的博客和代码训练模型并部署到正点原子的ATK-DLRK3568板子测试。

殷忆枫·2025-03-12 04:07

rknn环境搭建之docker篇

目录1.rknn简介2.环境搭建2.1下载RKNN-Toolkit2仓库2.2下载RKNNModelZoo仓库2.3下载交叉编译器2.4下载Docker镜像2.5下载ndk2.5加载docker镜像2.6dockerrun

wyw0000·2025-02-25 22:07

【亲测可行】最新ubuntu搭建rknn-toolkit2

文章目录结构图（ONNX->RKNN）下载rknn-toolkit2搭建环境配置镜像源conda搭建python3.8版本的虚拟环境进入packages目录安装依赖库测试安装是否成功其它rknn-toolkit2rknn_model_zoo

computer_vision_chen·2025-02-25 21:34

yolov5转onnx模型，onnx转rknn模型部署在rk3588平台上

wtqpshhh·2025-02-25 21:59

.onnx模型转.rknn模型方法详解

墨小傲·2025-02-25 10:12

踩坑，RK3588编译运行rknn的c++例程

官网：https://github.com/airockchip/rknn-toolkit2下载rknn-toolkit2-master.zip解压缩后cd进入rknn-toolkit2-master/

血玥珏·2025-02-23 12:18

在瑞芯微RK3588平台上使用RKNN部署YOLOv8Pose模型的C++实战指南

本文将详细介绍如何在瑞芯微RK3588平台上，使用RKNN（RockchipNeuralNetworkToolkit）框架部署YOLOv8Pose模型，并进行C++代码的编译和运行。注本文全

机＿长·2025-02-20 16:03

YOLOv8 Pose使用RKNN进行推理

关注微信公众号：朱sir的小站，发送202411081即可免费获取源代码下载链接一、简单介绍YOLOv8-Pose是一种基于YOLOv8架构的姿态估计模型，能够识别图像中的关键点位置，这些关键点通常表示人体的关节、特征点或其他显著位置。该模型在COCO关键点数据集上训练，适合多种姿势估计任务。二、ONNX推理1.首先需要先将Pytorch模型转换为Onnx模型，下载pt模型这里给出官方的权重下载地

い不靠譜︶朱Sir·2025-02-20 15:30

使用rknn进行yolo11-pose部署

文章目录概要生成ONNX生成RKNN实测效果概要使用RKNN进行YOLOv11Pose部署的必要性在于，RKNN能将YOLOv11Pose模型转化为适合Rockchip硬件平台（如RV1109、RV1126

点PY·2025-02-20 14:53

python环境的yolov11.rknn物体检测

1.首先是我手里生成的一个yolo11的.rknn模型：2.比对一下yolov5的模型：2.1yolov5模型的后期处理：outputs=rknn.inference(inputs=[img2],data_format

子正·2025-02-19 22:30

【rknn】onnx转rknn脚本解读以及函数解读(版本V1.7.3)

目录1.RKNN()示例：2.rknn.config()batch_size:mean_values：std_values：channel_mean_value:epochs：reorder_channel

阿颖&阿伟·2025-02-19 05:45

rk3588部署yolov8视频目标检测教程

目录1.环境配置1.1训练和导出onnx环境（电脑端执行）1.2导出rknn环境（电脑端执行）2.训练部分（电脑端执行）2.1训练脚本（电脑端执行）3.onnx转rknn（电脑端执行）1.环境配置1.1

今夕是何年，·2025-02-14 05:58

使用rknn进行facenet部署

文章目录开源仓库pth转onnxnetron可视化onnx转rknnC++实现开源仓库https://github.com/bubbliiiing/facenet-pytorchpth转onnx修改facenet网络的forward函数代码修改前defforward(self,x,mode="predict"):ifmode==

点PY·2025-02-11 08:58

ubuntu22.04，瑞芯微RK3568部署YOLOv5(纯干货版)

目录1,训练自己的数据集转换为onnx2，onnx格式→rknn格式3,3588平台部署1,训练自己的数据集转换为onnx在Anaconda的yolov5，进入yolov5根目录，终端运行如下pythonmodels

今夕是何年，·2025-02-07 16:58

RK3568笔记二十九：RTMP推流

基于RK3568的RTMP推流测试，此代码是基于勇哥的github代码修改的，源码地址MontaukLaw/3568_rknn_rtmp:rk3568的推理+推流(github.com)感兴趣的可以clone

殷忆枫·2025-01-22 18:00

【RKNN系列】常用函数：使用RGA加速画框

以下是针对convert_and_draw_rectangle函数的详细使用说明：convert_and_draw_rectangle函数功能在给定的图像数据上使用RGA（RockchipGraphicsAcceleration）绘制矩形框。语法IM_STATUSconvert_and_draw_rectangle(uint8_t*dst_data,intwidth,intheight,const

jcfszxc·2024-09-13 18:26

下载rknn-toolkit2项目

官网链接：https://github.com/airockchip/rknn-toolkit2安装好git：[[1.Git的安装]]下载项目：gitclonehttps://github.com/airockchip

jcfszxc·2024-09-13 18:25

3. 测试Docker镜像

运行命令进入Docker镜像：dockerrun-t-i--privileged\-v/dev/bus/usb:/dev/bus/usb\-v/path/to/your/project:/examples\rknn-toolkit2

jcfszxc·2024-09-13 18:25

下载安装RKNN的docker镜像

安装好docker：1.Docker的安装进入网盘，下载镜像文件：网盘链接：https://console.zbox.filez.com/l/I00fc3密码：rknn下载最新的版本，当前最新版本2.1.0

jcfszxc·2024-09-13 18:55

瑞芯微推理RKNN使用

Ubuntu22.04实践安装toolkit2安装命令pip3install-rxxx/packages/requirements_cp310-1.6.0.txtpip3installxxx/packages/rknn_toolkit2

AICVer·2024-02-07 20:30

【已解决】pt文件转onnx后再转rknn时得到推理图片出现大量锚框变花屏

前言环境介绍：1.编译环境Ubuntu18.04.5LTS2.RKNN版本py3.8-rknn2-1.4.03.单板迅为itop-3568开发板一、现象采用yolov5训练并将pt转换为onnx，再将onnx

zfenggo·2024-02-06 09:47

12. onnx转为rknn测试时有很多重叠框的修改（python）

我们下载rknn-toolkit2-master后并进行前面的处理后，进入到rknn-toolkit2-master\examples\onnx\yolov5文件夹，里面有个test.py文件，打开该文件

YANQ662·2024-02-05 15:42

onnx转换为rknn置信度大于1，图像出现乱框问题解决

前言环境介绍：1.编译环境Ubuntu18.04.5LTS2.RKNN版本py3.8-rknn2-1.4.03.单板迅为itop-3568开发板一、现象采用yolov5训练并将pt转换为onnx，再将onnx

zfenggo·2024-02-04 11:45

瑞芯微1808模型转换(onnx到rknn)环境配置过程

瑞芯微1808模型转换（onnx→\to→rknn）环境配置阅读本解决方案前，请读者确保已经根据官方的相关教程【rknn_model_zoo/common/rknn_converteratv1.5.0·

Midsummer啦啦啦·2024-01-31 07:41

yolo转rknn推理置信度大于1出现乱框怎么解决

使用yolov5-5.0版本，导出时修改了yolo.py文件中的forward如下，opset设置12可是推理结果完全不对，请大佬解惑。defforward(self,x):z=[]#inferenceoutputforiinrange(self.nl):x[i]=self.m[i](x[i])#conv#bs,_,ny,nx=x[i].shape#x(bs,255,20,20)tox(bs,3,

@银狼·2024-01-27 15:57

【工程项目】训练yolov5模型并转换为rknn部署到RK3588S开发板

一.部署概述环境：Ubuntu20.04、python3.8芯片：RK3568二.开发板刷系统进入官网，下载必要文件这里我选择下载ubuntu系统镜像。1.安装驱动进入DriverAssitant_v5.1.1文件夹，开始安装驱动。2.安装系统进入RKDevTool_Release_v2.93文件夹，启动开发工具。插上开发板电源，并通过typec接口与电脑连接当开发工具显示检测到ADB设备后，选择

jcfszxc·2024-01-27 15:51

玩转rk3588（二）：rknn模型转换、部署及性能测试，解决视频流处理高延时问题（二）

目录1、环境准备2、模型转换虚拟机环境准备生成onnx模型生成rknn模型3、rk3588部署4、解决opencv读取RTSP进行图像处理时，高延迟5、相关错误1、xxx.onnx模型转xxx.rknn

八级玄仙·2024-01-23 16:29

rk1126, 实现 yolov8 目标检测

基于RKNN1126实现yolov8目标检测Ⓜ️RKNN模型转换ONNXyoloexportmodel=.

J ..·2024-01-22 08:51

yolov5_master的下载、环境搭建、数据处理及训练全过程

本文借用了以下微博的文章，觉得写的比较全，所以照抄了过来，并且搭建了一遍可以正常训练，在这里作为笔记以后用的时候方便找，这个yolov5_master的使用可以将pth模型文件转换为onnx文件，进而转换为rknn

YANQ662·2024-01-19 23:36

yolov8seg 瑞芯微RKNN芯片、地平线Horizon芯片、TensorRT部署

特别说明：参考官方开源的yolov8代码、瑞芯微官方文档、地平线的官方文档，如有侵权告知删，谢谢。模型、测试图像、测试结果、完整代码，放在github上，参考链接模型和代码。由于之前写了三篇yolov8检测部署板端芯片相关的博文，有网友让写一篇yolov8seg部署博客，一直迟迟未行动，最近忙中借闲匆匆对yolov8seg进行了梳理，尝试了对yolov8seg进行部署验证和仿真测试。总

山水无移·2024-01-15 15:51

yolov8 官方模型进行瑞芯微RKNN和地平线Horizon芯片仿真测试部署

由于之前写了一篇”yolov8瑞芯微RKNN和地平线Horizon芯片仿真测试部署“这一篇导出的onnx模型在板端芯片部署效率非常高的，高效率体现在模型的所有操作都在加速引擎（NPU或BPU）上，模型推理没有

山水无移·2024-01-15 15:21

yolov8 瑞芯微 RKNN 的 C++部署，部署工程难度小、模型推理速度快

【完整代码】代码和模型1、rknn模型准备 onnx转rknn模型这一步就不再赘述，请参考上一篇【yolov8n瑞芯微RKNN和地平线Horizon芯片仿真测试部署，部署工程难度小、模型推理速度快】。

山水无移·2024-01-15 15:19

推荐频道