YoloV11的pt模型转rknn模型适用于RK3588等系列

YoloV11环境搭建

下载源码

bash 复制代码

git clone https://github.com/ultralytics/ultralytics.git

mv ultralytics yolov11

cd yolov11/

搭建python环境(以conda为例)

bash 复制代码

#创建conda环境
conda create --name yolov11 python==3.10
#激活
conda activate yolov11

#安装torch cuda版本
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113

新建requirements.txt

bash 复制代码

sudo vim requirements.txt

python 复制代码

#requirements.txt
# YOLOv11 官方依赖（仅保留核心必要包，避免冲突）

ultralytics>=8.2.0  # 包含 YOLOv11，直接安装官方最新版

numpy>=1.21.6

opencv-python>=4.6.0

pillow>=9.1.0

安装依赖

bash 复制代码

pip install -r requirememts.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

新建环境测试脚本：test_env.py

bash 复制代码

from ultralytics import YOLO
import os
# 加载 YOLOv11 官方预训练模型（自动下载，首次运行可能需要1-2分钟）
model = YOLO('yolov11n.pt')  # 'yolov11n.pt' 是轻量版，适合快速验证；需要高精度可换 'yolov11x.pt'

# 测试模型（用一张示例图，在线拉取测试图）

results = model('https://ultralytics.com/images/zidane.jpg')  # 在线拉取测试图

# 保存检测结果图片（关键修改：无界面环境用 save() 替代 show()）
# 创建输出目录（避免报错）
output_dir = 'yolo_detection_results'

os.makedirs(output_dir, exist_ok=True)

# 保存标注后的图片（文件名：detection_result.jpg，保存到创建的目录中）
save_path = os.path.join(output_dir, 'detection_result.jpg')

results[0].save(save_path)  # 保存图片到本地


print(f"检测完成！结果图片已保存至：{save_path}")

在官方github(https://github.com/ultralytics/ultralytics.git)中下载yolov11n.pt模型，放入到yolov11目录下：

bash 复制代码

wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt

完成后，运行测试环境代码：

bash 复制代码

python3 test_env.py

如果成功弹出识别图片的话，则说明环境配置成功。

Pt格式转rknn格式

首先需要安装rknn-toolkit2,可以直接去rknn-toolkit2的github中单独下载对应的requirements.txt和whl：
rknn-toolkit2/rknn-toolkit2/packages/arm64 at master · airockchip/rknn-toolkit2

bash 复制代码

#下载对应的requirements.txt和whl

#安装requirements.txt
pip install -r requirements_cp310-2.1.0.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

#安装rknn-toolkit2的whl
pip install rknn_toolkit2-2.1.0+708089d1-cp310-cp310-linux_x86_64.whl

模型转换

bash 复制代码

# Export a YOLO11n PyTorch model to RKNN format # 'name' can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118, rv1126b 

yolo export model=yolo11n.pt format=rknn name=rk3588 # creates'/yolo11n_rknn_model'

导出参数

转换成功后，会输出保存的结果：

然后我们可以在对应的路径下拿到模型rknn文件和其对应的metadata.yaml

至此，yolov11的pt转rknn完成。