【无人售货柜・RK+YOLO】篇 5:RK3576 部署第一步!YOLO 模型转 RKNN 全流程,新手必避的量化大坑

目录

[一、先给新手扫盲:什么是 RKNN?为什么必须转这个格式?](#一、先给新手扫盲:什么是 RKNN?为什么必须转这个格式?)

新手必守的部署红线(提前避坑,一步都不能破)

[二、第一步:YOLOv5 pt 模型 → 导出 ONNX 格式(最关键,90% 的坑都在这)](#二、第一步:YOLOv5 pt 模型 → 导出 ONNX 格式(最关键,90% 的坑都在这))

准备工作

导出命令(直接复制就能用,全平台通用)

[每个参数的意义 & 避坑解释](#每个参数的意义 & 避坑解释)

[导出后必做的 3 项检查(少一项都可能踩坑)](#导出后必做的 3 项检查(少一项都可能踩坑))

[三、第二步:RKNN-Toolkit2 环境搭建,新手零报错版](#三、第二步:RKNN-Toolkit2 环境搭建,新手零报错版)

环境锁死(一个都不能改)

搭建步骤

[四、第三步:ONNX 转 RKNN 完整脚本,直接复制就能用](#四、第三步:ONNX 转 RKNN 完整脚本,直接复制就能用)

完整转换脚本

必须准备的量化校准数据集quant_dataset.txt

商用级量化数据集制作规范(严格照着做,精度损失≤1%)

运行脚本

[五、新手必踩:INT8 量化后精度暴跌?4 招彻底解决](#五、新手必踩:INT8 量化后精度暴跌?4 招彻底解决)

[六、PC 端仿真精度验证,确保模型没问题](#六、PC 端仿真精度验证,确保模型没问题)


大家好,我是黒漂技术佬。上一篇我们把售货柜专用的 YOLO 模型优化到了商用级精度,mAP@0.5 稳在 99% 以上,相似商品误检、小目标漏检这些核心痛点基本全解决了。

但我太懂新手了,到这一步大概率会直接踩进部署的大坑:训好的模型在电脑上跑得好好的,一转到 RK3576 的 NPU 上,要么算子不支持转不成功,要么 INT8 量化后精度直接腰斩,要么跑是能跑,一帧要 200ms,完全没法用。

毫不夸张地说,端侧部署的坑,比训练多 10 倍都不止。但别慌,这一篇我就给你一套零踩坑、保姆级、经过 RK3576 安卓量产验证的 YOLO 转 RKNN 全流程,从 ONNX 导出到 RKNN 转换、量化避坑、精度验证,一步不落,新手跟着走,100% 能转出能跑、精度不掉、速度够快的 RKNN 模型。


一、先给新手扫盲:什么是 RKNN?为什么必须转这个格式?

【新手概念科普】我们训好的.pt/.onnx模型是通用格式,只能在电脑的 CPU/GPU 上跑,RK3576 的 NPU 根本不认。而RKNN ,是瑞芯微专为自家 NPU 芯片设计的专属模型格式,只有转成 RKNN 格式,才能调用 RK3576 的 6TOPS NPU 算力,实现硬件加速推理。

举个通俗的例子:onnx 模型就像一份普通话演讲稿,电脑能看懂,但 RK3576 的 NPU 只会说专属方言,你必须把演讲稿翻译成它能听懂的方言(RKNN),它才能说得又快又准。

新手必守的部署红线(提前避坑,一步都不能破)

  1. 工具版本锁死 :RKNN-Toolkit2 必须用v1.6.0稳定版,别追最新版,最新版对 YOLOv5 的算子支持反而有坑,v1.6.0 是目前 RK3576 适配最稳、坑最少的版本
  2. 输入规格锁死 :固定batch=1,固定输入尺寸 640×640,绝对不要用动态 batch、动态尺寸,RK3576 的 NPU 对动态输入支持极差,必踩坑
  3. 量化方式锁死:INT8 不对称量化,别用 FP16,FP16 速度慢一倍、内存占用高一倍,售货柜场景 INT8 完全够用,精度损失能控制在 1% 以内
  4. 算子红线:绝对不要用 YOLOv5 官方不支持的魔改算子(比如自定义注意力模块、魔改卷积),大概率 RKNN 不支持,转模型直接报错

二、第一步:YOLOv5 pt 模型 → 导出 ONNX 格式(最关键,90% 的坑都在这)

很多新手转 RKNN 失败,根本不是转换的问题,是 ONNX 导出就错了。这里给你零坑导出命令 + 每一步的解释,还有必做的检查项。

准备工作

把你上一篇训好的best.pt权重文件,放到 YOLOv5 源码的根目录里,确保你的 YOLOv5 环境是正常可用的。

导出命令(直接复制就能用,全平台通用)

bash

运行

复制代码
python export.py \
--weights best.pt \
--img 640 \
--batch 1 \
--device cpu \
--include onnx \
--simplify \
--opset 12 \
--dynamic False

每个参数的意义 & 避坑解释

  • --weights best.pt:你训好的售货柜商品识别模型权重,别写错文件名
  • --img 640:和训练时的输入分辨率完全一致,训练用 640 这里就必须 640,绝对不能改
  • --batch 1:固定批次为 1,RK3576 的 NPU 推理只支持固定 batch=1,动态 batch 直接不支持
  • --device cpu:用 CPU 导出,避免 GPU 导出带来的算子兼容问题,新手必加
  • --include onnx:只导出 ONNX 格式,别导出其他无关格式
  • --simplify:【核心必加】用 onnx-simplifier 简化 ONNX 模型,去掉冗余算子、合并常量,大幅提升 RKNN 兼容性,90% 的算子不支持报错,都是因为没加这个参数
  • --opset 12:【核心必锁】ONNX 的算子版本,必须设 12,RKNN-Toolkit2 对 13 以上的高版本 opset 支持极差,必报错
  • --dynamic False:关闭动态输入,固定输入尺寸,RK3576 对动态输入支持极差,必踩坑

导出后必做的 3 项检查(少一项都可能踩坑)

导出成功后,你会在根目录得到best.onnx文件,别着急转 RKNN,先做这 3 项检查:

  1. 输入输出维度检查 用 Netron(新手必装的 ONNX 可视化工具,免费开源)打开best.onnx,确认输入维度是[1,3,640,640],输出维度是[1,25200,nc+5](nc 是你的商品类别数,比如 10 类商品,输出就是[1,25200,15]),完全正确才能继续。

  2. 算子结构检查 看 Netron 里的模型结构,有没有if/loop这类控制流算子,或者不认识的自定义算子。正常简化后的 YOLOv5s 模型结构非常干净,全是卷积、激活这些基础算子,有多余算子必须重新导出,一定要加--simplify。

  3. 推理有效性检查 写一段极简代码,验证 ONNX 模型能正常推理,输出结果和 pt 模型一致,确保 ONNX 本身没问题:

    python

    运行

    复制代码
    import onnxruntime as ort
    import cv2
    import numpy as np
    
    # 加载ONNX模型
    session = ort.InferenceSession("best.onnx", providers=["CPUExecutionProvider"])
    input_name = session.get_inputs()[0].name
    
    # 预处理图片
    img = cv2.imread("test.jpg")
    img = cv2.resize(img, (640, 640))
    img = img.transpose(2, 0, 1)
    img = np.expand_dims(img, axis=0).astype(np.float32) / 255.0
    
    # 推理
    output = session.run([], {input_name: img})
    print("ONNX推理成功,输出形状:", output[0].shape)

    能正常输出形状,说明 ONNX 模型完全没问题,可以进入下一步。


三、第二步:RKNN-Toolkit2 环境搭建,新手零报错版

很多新手第一步就栽在环境搭建上,Python 版本不对、依赖冲突,各种报错。这里给你一套经过无数次验证的零报错环境搭建流程,严格按步骤来,绝对不会出问题。

环境锁死(一个都不能改)

  • 系统:优先 Ubuntu 20.04(最稳,官方原生支持),Windows10/11 也可以用 Anaconda 装环境,MacOS 不支持
  • Python 版本:必须 3.8,别用 3.9 及以上,RKNN-Toolkit2 对高版本 Python 完全不兼容
  • RKNN-Toolkit2 版本:v1.6.0,别用最新版,坑巨多

搭建步骤

  1. 先装 Anaconda(新手必用,避免环境冲突),官网下载 Python3.8 对应的版本,一键安装,记得勾选Add to PATH。

  2. 打开 Anaconda Prompt,创建专属虚拟环境,输入命令: bash

    运行

    复制代码
    conda create -n rknn python=3.8
    conda activate rknn
  3. 安装 RKNN-Toolkit2 和配套依赖,一行命令搞定: bash

    运行

    复制代码
    pip install rknn-toolkit2==1.6.0 onnx==1.12.0 onnxruntime==1.13.1 opencv-python numpy==1.23.5 -i https://pypi.tuna.tsinghua.edu.cn/simple
  4. 验证安装是否成功,在虚拟环境里输入 python,执行: python

    运行

    复制代码
    from rknn.api import RKNN
    print("RKNN环境安装成功!")

    不报错,就说明环境完全搭好了,恭喜你避开了 80% 的环境坑。


四、第三步:ONNX 转 RKNN 完整脚本,直接复制就能用

环境搭好了,ONNX 也没问题了,现在到了核心的转换环节。我给你写好了完整可运行、经过量产验证的转换脚本 ,文件名就叫onnx2rknn.py,放到和best.onnx同一个文件夹里,你只需要改 2 个地方,就能直接运行。

完整转换脚本

python

运行

复制代码
from rknn.api import RKNN
import cv2
import numpy as np

if __name__ == '__main__':
    # ========== 新手只需要改这里的2个参数 ==========
    ONNX_MODEL = "best.onnx"        # 你的ONNX模型文件名
    RKNN_MODEL = "best.rknn"        # 输出的RKNN模型文件名
    DATASET_TXT = "quant_dataset.txt"  # 量化用的数据集txt文件
    # ================================================

    # 1. 初始化RKNN对象
    rknn = RKNN(verbose=False)  # verbose=True可以看详细日志,排错用

    # 2. 【核心配置】RKNN模型预处理&量化配置,新手别瞎改
    rknn.config(
        # 预处理归一化:对应YOLO的 像素/255,所以mean是0,std是255
        mean_values=[[0, 0, 0]],
        std_values=[[255, 255, 255]],
        # 目标平台,必须写rk3576,别写错
        target_platform="rk3576",
        # 量化方式:INT8不对称量化,售货柜场景最优,精度损失最小
        quantized_dtype="asymmetric_quantized-u8",
        # 优化级别,最高级,提升推理速度
        optimization_level=3,
    )

    # 3. 加载ONNX模型
    print(f"正在加载ONNX模型:{ONNX_MODEL}")
    ret = rknn.load_onnx(model=ONNX_MODEL)
    if ret != 0:
        print("❌ 加载ONNX模型失败!")
        exit(ret)
    print("✅ ONNX模型加载成功")

    # 4. 构建RKNN模型,开启量化
    print("正在构建RKNN模型,开启INT8量化...")
    ret = rknn.build(
        do_quantization=True,  # 必须开启量化,不然没法用NPU加速
        dataset=DATASET_TXT     # 量化校准数据集,核心中的核心
    )
    if ret != 0:
        print("❌ 构建RKNN模型失败!")
        exit(ret)
    print("✅ RKNN模型构建成功")

    # 5. 导出RKNN模型文件
    print(f"正在导出RKNN模型:{RKNN_MODEL}")
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print("❌ 导出RKNN模型失败!")
        exit(ret)
    print(f"✅ RKNN模型导出成功!文件:{RKNN_MODEL}")

    # 6. 【可选】PC端仿真推理,验证模型能不能正常跑
    print("正在执行PC端仿真推理验证...")
    # 随便拿一张测试图做预处理
    img = cv2.imread("test.jpg")
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = cv2.resize(img, (640, 640))
    img = np.expand_dims(img, axis=0)

    # 初始化仿真runtime
    ret = rknn.init_runtime(target="rk3576", device_simulator=True)
    if ret != 0:
        print("❌ 初始化仿真环境失败!")
        exit(ret)

    # 推理
    outputs = rknn.inference(inputs=[img])
    print(f"✅ 仿真推理成功!输出形状:{outputs[0].shape}")

    # 释放资源
    rknn.release()
    print("🎉 全流程执行完成!RKNN模型转换&验证成功!")

必须准备的量化校准数据集quant_dataset.txt

这是决定量化后精度掉不掉的核心,90% 的新手量化后精度暴跌,都是因为这个文件没做好。

【新手概念科普】量化校准数据集,就是给 RKNN 工具提供一批真实场景的图片,工具会用这些图片统计模型每一层的数值分布,来做量化校准。校准用的图片越贴合真实场景,量化后的精度损失就越小。

商用级量化数据集制作规范(严格照着做,精度损失≤1%)
  1. 图片数量:10~20 张,别太少(少于 5 张校准不准),别太多(多于 50 张没必要,还慢)

  2. 图片要求:必须是你的售货柜摄像头拍的真实场景图,覆盖不同光线、不同角度、不同商品、不同摆放方式,绝对不能用网图、精修图、纯白背景图,不然校准出来的模型放到真实场景里直接精度暴跌

  3. txt 文件写法:每一行写一张图片的相对路径,比如: plaintext

    复制代码
    quant_img/1.jpg
    quant_img/2.jpg
    quant_img/3.jpg
    ...
    quant_img/20.jpg
  4. 图片格式:jpg/png 都可以,分辨率和训练时一致,640×640 最好

运行脚本

在 Anaconda Prompt 里,激活 rknn 虚拟环境,进入脚本所在的文件夹,输入命令:

bash

运行

复制代码
python onnx2rknn.py

等待运行完成,没有报错,你就会在文件夹里得到best.rknn文件 ------ 这就是能在 RK3576 NPU 上跑的模型了!


五、新手必踩:INT8 量化后精度暴跌?4 招彻底解决

很多新手跑通了转换,结果一测试,INT8 量化后的模型精度比 FP32 的 ONNX 模型掉了 10% 以上,商品全认错,心态直接崩了。别慌,我给你总结了 4 个必做的修复步骤,按顺序来,基本能把精度损失控制在 1% 以内:

  1. 最高优先级:重做量化校准数据集90% 的精度暴跌,都是校准数据集不行。必须用售货柜真实场景的图,覆盖所有商品、所有光线、所有摆放方式,别用网图、别用纯白背景图,重新做 txt 文件,重新转换。
  2. 检查 ONNX 导出是否正确 必须加--simplify,必须固定opset=12,必须固定batch=1,必须关闭动态输入,少一个都可能导致量化后精度异常。
  3. 调整量化配置 如果还是有精度损失,把 config 里的quantized_dtype改成"dynamic_fixed_point-i8",动态定点量化对 YOLO 的适配更好,精度损失更小。
  4. 逐层量化校准如果某一层的精度损失特别大,可以用 RKNN-Toolkit2 的逐层量化功能,给精度敏感的层设置 FP16 精度,其他层用 INT8,兼顾速度和精度。

六、PC 端仿真精度验证,确保模型没问题

转换完成后,别着急烧到板子上,先在 PC 端做仿真精度验证,对比 RKNN 模型和 ONNX 模型的输出差异,确保精度没问题。我给你写了一段极简的验证代码,直接就能用:

python

运行

复制代码
from rknn.api import RKNN
import onnxruntime as ort
import cv2
import numpy as np

# 加载RKNN模型
rknn = RKNN(verbose=False)
rknn.load_rknn("best.rknn")
rknn.init_runtime(target="rk3576", device_simulator=True)

# 加载ONNX模型
session = ort.InferenceSession("best.onnx", providers=["CPUExecutionProvider"])
input_name = session.get_inputs()[0].name

# 预处理测试图
img = cv2.imread("test.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_resize = cv2.resize(img_rgb, (640, 640))
img_input = np.expand_dims(img_resize, axis=0)
onnx_input = np.expand_dims(img_resize.transpose(2,0,1), axis=0).astype(np.float32)/255.0

# 分别推理
rknn_output = rknn.inference(inputs=[img_input])[0]
onnx_output = session.run([], {input_name: onnx_input})[0]

# 计算输出差异
diff = np.mean(np.abs(rknn_output - onnx_output))
print(f"RKNN与ONNX模型输出平均差异:{diff:.6f}")
if diff < 0.001:
    print("✅ 差异小于0.001,精度损失极小,完全可用")
else:
    print("⚠️  差异过大,需要重新校准量化")

rknn.release()

输出差异小于 0.001,就说明你的 RKNN 模型完全没问题,精度损失可以忽略不计,放心放到 RK3576 板子上用。

相关推荐
jay神5 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
jay神7 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
鱼听禅8 天前
Ubuntu安装YOLOv8进行菌落识别训练
linux·python·yolo·ubuntu
jay神9 天前
基于深度学习的交通流量预测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机毕业设计
带电的小王10 天前
YOLO27:官方预览页放出全部规格,60.5 mAP 破 YOLO 纪录,但权重还没发布
yolo
jay神11 天前
基于 YOLOv8 的轴承缺陷检测(Web 版)
前端·人工智能·yolo
jay神11 天前
基于 YOLOv8 的森林火灾检测系统(Web 版)
前端·yolo
微尘hjx11 天前
【Deep-OC-SORT 06】多轨迹算法Deep-OC-SORT-CMC相机运动补偿
yolo·目标检测·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计
LongRunning11 天前
【Linux】RK3568-OpenCV+YOLO(八)
linux·opencv·yolo
微尘hjx15 天前
【Deep-OC-SORT 01】多轨迹算法Deep-OC-SORT源码分析
深度学习·yolo·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计