yolov8目标检测训练在rk3588上部署
参考 ： yolov8环境安装_yolov8 github地址-CSDN博客
安装cuda11.8
安装Anaconda
创建一个python3.10虚拟环境，建议python的版本尽量选择高
激活环境，并设置pip下载源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/安装pytorch，优先尝试符合cuda=11.8的pytorch的高版本
pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu118然后安装ultralytics
pip install ultralytics安装onnx onnxruntime库
pip install onnx onnxruntime下面是此时的安装包列表
到瑞芯微官网下载 yolov8工程
https://github.com/airockchip/ultralytics_yolov8，下载后解压
在激活env310虚拟环境情况下，切到解压的目录里
执行 一下命令
pip install -e .上面命令执行成功后，安装包列表如下:
开始导出onnx,注意 下面箭头指向的地方 format一定要设置成rknn，这样导出的onnx会有9个输出，如果format设置成onnx，则onnx默认只会有一个输出
下面是代码：
训练代码
from ultralytics import YOLOif __name__ == '__main__':# 载入预训练模型model = YOLO("C:/Users/TR/Desktop/ultralytics-main2/yolov8s.pt") #建议直接用绝对地址train_results = model.train(data="C:/Users/TR/Desktop/ultralytics-main2/coco128.yaml", #建议用绝对路径， yaml文件指定数据集配置文件epochs=100, # 训练轮数imgsz=640, # 训练时转换后的图片大小device=0, # 'cpu'和 0 可选 ，其中0表示gpu)
验证代码
from ultralytics import YOLOif __name__ == '__main__':# # 用训练后的模型model = YOLO("C:/Users/TR/Desktop/ultralytics-main2/runs/detect/train8/weights/best.pt") #建议绝对路径# # #推理results = model("C:/Users/TR/Desktop/targetRe/img2/dataset09_03_00004395.jpg") #查看结果results[0].show() 导出onnx代码
from ultralytics import YOLOif __name__ == '__main__':# # 用训练后的模型model = YOLO("C:/Users/TR/Desktop/ultralytics-main2/runs/detect/train8/weights/best.pt") #建议绝对路径
# # 导出ONNX模型path = model.export(format="rknn" )