rk3588开发板部署yolov8

### RK3588开发板上部署YOLOv8模型

#### 准备工作
为了在RK3588开发板上成功部署YOLOv8模型，需要完成一系列准备工作。这包括但不限于安装必要的软件包、获取并配置所需的工具链以及准备用于转换的YOLOv8模型。

- 安装Python环境及相关依赖库[^1]。
- 获取官方提供的`rknn-toolkit2`工具，该工具可以从GitHub仓库下载[^2]。

pip install numpy opencv-python matplotlib torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu
git clone https://github.com/rockchip-linux/rknn-toolkit2.git
cd rknn-toolkit2 && pip install .

#### 模型转换
由于RK3588自带NPU，在利用其加速推理之前，必须将原始的`.pt`格式的YOLOv8模型转化为适用于Rockchip NPU平台的`.rknn`格式文件。此过程可以通过上述已安装好的`rknn-toolkit2`来实现。

from rknn.api import RKNN

if __name__ == '__main__':
    # 创建RKNN对象实例化
    rknn = RKNN()
    
    # 加载PyTorch YOLOv8模型(.pt)
    print('--> Loading model')
    ret = rknn.load_pytorch(model='./best.pt', input_size_list=[[3, 640, 640]])
    if ret != 0:
        print('Load PyTorch model failed!')
        exit(ret)

    # 构建RKNN模型
    print('--> Building model')
    ret = rknn.build(do_quantization=True, dataset='./dataset.txt')  # 需提前准备好数据集列表文件
    if ret != 0:
        print('Build model failed!')
        exit(ret)

    # 导出为.rknn格式
    print('--> Exporting RKNN model')
    ret = rknn.export_rknn('./yolov8_best.rknn')
    if ret != 0:
        print('Export RKNN model failed!')
        exit(ret)

    print('done')

#### 编写Python脚本调用NPU进行推理
一旦拥有了适配于RK3588硬件特性的`.rknn`模型之后，则可以编写相应的Python程序来进行图像检测任务。这里给出一段简单的代码片段作为示范：

import cv2
from rknn.api import RKNN

def yolov8_inference(image_path):
    # 初始化RKNN类的对象
    rknn = RKNN()

    # 载入预先构建好并与目标设备匹配成功的.rknn模型
    ret = rknn.load_rknn('./yolov8_best.rknn')

    img = cv2.imread(image_path)
    img_resize = cv2.resize(img, (640, 640))
    outputs = rknn.inference(inputs=[img_resize])

    # 处理输出...
    pass
    
# 测试函数
image_file = './test.jpg'
result = yolov8_inference(image_file)
print(result)

#### 文件传输与执行
最后一步是将生成的`.rknn`模型文件连同上面提到的Python脚本一起上传到RK3588开发板上去。对于这一操作有多种方式可以选择，比如ADB命令推送或是直接通过U盘复制粘贴等方式[^3]。