从零开始：在RK3588上运行RKNN版YOLOv5目标检测（保姆级教程）

从零开始在RK3588上运行RKNN版YOLOv5目标检测保姆级教程RK3588作为Rockchip新一代旗舰级SoC其内置的NPU模块为边缘计算场景提供了强大的AI推理能力。本教程将手把手带您完成YOLOv5目标检测模型在RK3588开发板上的完整部署流程涵盖环境配置、交叉编译、模型部署等关键环节特别针对实际开发中容易遇到的ADB连接、文件传输等问题提供解决方案。1. 开发环境搭建1.1 硬件准备清单RK3588开发板建议使用官方Demo板或Firefly系列开发板Linux主机推荐Ubuntu 18.04/20.04 LTS系统连接设备USB Type-C数据线用于ADB调试网线可选用于网络传输HDMI线用于显示输出1.2 基础软件环境配置首先在Linux主机上安装必要的开发工具sudo apt update sudo apt install -y git adb sshpass验证ADB连接状态adb devices注意若设备未识别需检查开发板的USB调试模式是否开启2. RKNN工具链部署2.1 获取RKNPU2开发套件git clone --depth1 https://github.com/rockchip-linux/rknpu2.git cd rknpu22.2 安装交叉编译工具链针对RK3588的aarch64架构需要安装特定版本的交叉编译器sudo apt install gcc-9-aarch64-linux-gnu g-9-aarch64-linux-gnu验证编译器版本aarch64-linux-gnu-gcc-9 --version3. YOLOv5 Demo编译3.1 准备编译环境进入YOLOv5示例目录cd examples/rknn_yolov5_demo修改编译脚本build-linux_RK3588.sh关键参数export TOOL_CHAIN/usr/bin/aarch64-linux-gnu- export CC${GCC_COMPILER}-gcc-9 export CXX${GCC_COMPILER}-g-93.2 执行交叉编译./build-linux_RK3588.sh成功编译后会在install/rknn_yolov5_demo_Linux目录生成以下文件rknn_yolov5_demo可执行文件librknnrt.soRKNN运行时库yolov5s-640-640.rknn预编译模型4. 开发板部署实战4.1 开发板目录准备通过ADB连接开发板并创建运行目录adb shell mkdir -p /data/rknn_yolov54.2 文件传输关键步骤使用ADB推送编译产物到开发板adb push install/rknn_yolov5_demo_Linux/rknn_yolov5_demo /data/rknn_yolov5/ adb push install/rknn_yolov5_demo_Linux/model/RK3588/yolov5s-640-640.rknn /data/rknn_yolov5/ adb push install/rknn_yolov5_demo_Linux/model/coco_80_labels_list.txt /data/rknn_yolov5/ adb push install/rknn_yolov5_demo_Linux/model/bus.jpg /data/rknn_yolov5/传输进度检查技巧adb shell ls -lh /data/rknn_yolov55. 模型运行与性能测试5.1 执行目标检测在开发板终端运行cd /data/rknn_yolov5 ./rknn_yolov5_demo yolov5s-640-640.rknn bus.jpg典型输出解析person (114 235 212 527) 0.819099 # 检测到行人置信度81.9% bus (99 141 557 445) 0.693320 # 检测到公交车置信度69.3% average run 34.551800 ms # 平均推理耗时34.55ms5.2 性能优化建议优化方向具体措施预期效果提升模型量化使用INT8量化替代FP322-3倍速度提升输入分辨率调整根据场景需求降低输入尺寸减少计算量多线程推理启用RKNN的异步推理接口提高吞吐量6. 常见问题排查6.1 ADB连接失败解决方案现象adb devices显示空列表排查步骤检查开发板USB调试模式重新插拔USB线缆重启ADB服务adb kill-server adb start-server6.2 模型运行报错处理当出现Load RKNN model failed错误时确认模型路径是否正确检查librknnrt.so版本是否匹配验证模型是否针对RK3588平台编译7. 进阶开发指南7.1 自定义模型部署将PyTorch版YOLOv5模型导出为ONNX格式使用RKNN-Toolkit2进行模型转换from rknn.api import RKNN rknn RKNN() rknn.config(target_platformrk3588) rknn.load_onnx(modelyolov5s.onnx) rknn.build(do_quantizationTrue) rknn.export_rknn(yolov5s.rknn)7.2 实时摄像头推理修改Demo代码实现USB摄像头采集cv::VideoCapture cap(0); while(true) { cap frame; // 执行推理 inference(frame); }实际部署中发现RK3588的NPU在640x640分辨率下可以稳定达到30FPS以上的处理性能完全满足实时检测需求。建议首次运行时先使用静态图片验证流程再逐步过渡到视频流处理