yolov8 rk3588 模型转换

### 将YOLOv8模型转换为适合RK3588硬件平台的格式

为了使YOLOv8模型能够在RK3588平台上顺利运行，需将其转换为目标平台支持的格式。具体过程如下：

#### 准备工作
确保已准备好所需的软件和工具链版本。使用瑞芯微提供的RKNN Toolkit 2 V2.3.0最新版来处理模型转换任务[^1]。

#### 主机环境设置
在Ubuntu PC上搭建RKNN模型开发环境，按照官方文档指导安装必要的依赖库以及Python包，包括但不限于`pip install rknn-toolkit2==2.3.0`等命令完成RKNN Toolkit 2的安装[^3]。

#### 模型导出至ONNX格式
首先需要将训练好的YOLOv8 PyTorch模型保存为`.pt`文件，接着利用PyTorch内置函数如`torch.onnx.export()`方法把该模型转化为ONNX形式。以下是具体的代码实现方式：

import torch
from ultralytics import YOLO

model = YOLO('path/to/yolov8.pt')  # 加载预训练权重
dummy_input = torch.randn(1, 3, 640, 640)  # 创建虚拟输入张量
output_file = 'yolov8.onnx'

torch.onnx.export(model,
                  dummy_input,
                  output_file,
                  opset_version=12,
                  input_names=['input'],
                  output_names=['output'])

#### ONNX转RKNN
通过RKNN Toolkit 2中的API接口读取之前生成的ONNX文件，并指定参数执行转换操作，最终得到适配于RK3588 NPU加速器使用的RKNN模型文件。下面给出一段简单的脚本作为示范：

from rknn.api import RKNN

rknn = RKNN()
print('--> Configuring model')
ret = rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]])
if ret != 0:
    print('Config failed!')
    exit(ret)

print('--> Loading ONNX model')
ret = rknn.load_onnx(model='yolov8.onnx')
if ret != 0:
    print('Load ONNX model failed!')
    exit(ret)

print('--> Building model')
ret = rknn.build(do_quantization=True, dataset='./dataset.txt', pre_compile=False)
if ret != 0:
    print('Build failed!')
    exit(ret)

print('--> Exporting RKNN model')
ret = rknn.export_rknn('./yolov8.rknn')
if ret != 0:
    print('Export RKNN model failed!')
    exit(ret)

print('done')

以上步骤完成后即可获得可以在RK3588设备上调用C API进行推理运算的目标检测模型。