YOLO 转 RKNN 识别率降低调优操作手册（新手篇）

YOLO 转 RKNN 识别率降低调优操作手册（新手篇）

面向第一次接触模型量化的新手工程师。按步骤执行，通常可在 2~3 轮迭代内把 INT8 量化后的 mAP 损失压到 1% 以内。每一步都给出可复制的命令、代码模板和验收检查点。

适用平台 ：RK3566 / RK3568 / RK3588 / RK3576

适用模型 ：YOLOv5 / YOLOv8 / YOLOv11

工具链 ：rknn-toolkit2

更新于：2026-07

---

目录

1. 开始前的准备清单
2. 第一步：建立精度基线
3. 第二步：逐层精度诊断
4. 第三步：预处理对齐修复
5. 第四步：混合量化修复
6. 第五步：后处理对齐修复
7. [第六步：QAT 量化感知训练](#第六步：QAT 量化感知训练)
8. 验收标准与回归
9. 常见问题速查
10. 完整配置模板

---

整体决策流程

拿到训练好的 YOLO 权重
        │
        ▼
    导出 ONNX
        │
        ▼
  转 FP16 RKNN（不量化）
        │
        ▼
  FP16 掉点是否 ≤ 0.5%？
   /              \
  否               是
  │                │
  ▼                ▼
问题在预处理/     转 INT8 RKNN（量化）
后处理/算子          │
进入第三/五步        ▼
             accuracy_analysis 逐层诊断
                    │
                    ▼
             INT8 掉点是否 ≤ 1%？
              /            \
             是             否
             │              │
             ▼              ▼
          部署上线     误差分布形态？
                      /     |      \
                 浅层累积  孤立敏感层  检测头跳变
                    │        │         │
                    ▼        ▼         ▼
              重做校准集   该层保留   检查后处理
              +预处理对齐   FP16混合   NMS/解码
                    │      量化        │
                    └────────┼─────────┘
                             ▼
                        重新转 INT8
                             │
                   若仍超阈值 ↓
                      QAT 量化感知训练
                             │
                             ▼
                          部署上线

新手最重要的一条原则

不要一发现掉点就调量化参数。先按"FP16 → INT8"两步走，确认问题到底出在"转换/前后处理"还是"量化本身"，再对症下药。90% 的"量化掉点"其实是预处理或后处理没对齐。

---

00 开始前的准备清单

动手前把环境和素材备齐，后面每一步才不会卡壳。

环境与工具

• 已安装 Python 3.8+ 并配好虚拟环境
• 已安装 rknn-toolkit2（PC 端转换用，版本与板端 librknnrt 匹配）
• 已安装 onnxruntime（跑 ONNX 基线对比）
• 已安装 ultralytics（YOLOv8/v11 训练与导出）
• 板端已部署 librknnrt.so，且版本号与 toolkit2 一致

素材与文件

• 训练好的权重文件 best.pt
• 验证集图片（建议 200~500 张，含标注）
• 校准图片 500~1000 张（覆盖昼夜/遮挡/小目标等真实场景）
• 训练时的预处理参数（mean / std / imgsz / 是否 RGB）
• 官方 rknn_model_zoo 对应版本的转换脚本作为参考底子

⚠️ 版本一致性是隐形大坑

toolkit2 与板端 librknnrt 必须版本配套，否则会出现"PC 上正常、板端结果异常"的灵异问题。转换前先用 rknn.query(target) 确认平台字符串与板子型号一致。

---

01 第一步：建立精度基线

确认原始模型本身精度正确，排除"假性掉点"。这是后续所有调优的地基。

1.1 导出 ONNX 并验证

从 PyTorch 权重导出 ONNX，用 ONNXRuntime 跑同一批验证图，确认 mAP 与训练侧一致（差异应 < 0.5%）。这一步排除导出环节的问题。

# YOLOv8 / YOLOv11 导出，opset 12 对 RKNN 兼容性最好
yolo export model=best.pt format=onnx opset=12 simplify=True imgsz=640

# 验证 ONNX 与 PyTorch 输出一致性
yolo val model=best.onnx data=your_data.yaml imgsz=640

1.2 先转 FP16 RKNN 作对照

关键一步：先不量化，只转 FP16。FP16 几乎无损，如果 FP16 就掉点，问题在预处理 / 后处理 / 算子转换，而不是量化------此时去调量化参数是白费力气。

# convert_fp16.py
from rknn.api import RKNN

rknn = RKNN()
rknn.config(mean_values=[[0, 0, 0]],
            std_values=[[255, 255, 255]],
            target_platform='rk3588')

# 关键：do_quantization=False，只转不量化
ret = rknn.load_onnx(model='best.onnx')
ret = rknn.build(do_quantization=False)
ret = rknn.export_rknn('best_fp16.rknn')
rknn.release()

1.3 判定问题归属

用 FP16 模型在板端跑验证集，对比 ONNX 的 mAP，按下表判定：

FP16 损失	问题归属	下一步
✅ < 0.5%	转换与前后处理正常	进入第二步，做 INT8 量化
⚠️ 0.5% ~ 2%	可能有轻微算子/预处理偏差	先排查预处理对齐，再量化
❌ > 2%	转换或前后处理有问题	跳到第三步、第五步修复，不要急着量化

判定法则

FP16 损失 < 0.5% 且 INT8 损失 > 2%，才是真正的"量化精度问题"。其余情况先查前后处理。

---

02 第二步：逐层精度诊断

用 RKNN 自带的 accuracy_analysis 工具，像"模型 CT 扫描"一样逐层对比量化前后差异，精准定位问题层。

2.1 运行 accuracy_analysis

该工具对比三组数据：Golden （浮点模型 PC 端输出）、Simulator （量化模拟器输出）、Runtime（芯片实测），逐层计算余弦相似度。

# accuracy_analysis.py
from rknn.api import RKNN

rknn = RKNN()
rknn.config(mean_values=[[0, 0, 0]],
            std_values=[[255, 255, 255]],
            target_platform='rk3588',
            quantized_algorithm='mmse')

rknn.load_onnx(model='best.onnx')
rknn.build(do_quantization=True, dataset='./dataset.txt')

# 生成逐层精度分析报告（HTML）
rknn.accuracy_analysis(
    inputs=['./calib_imgs/0001.jpg'],
    output_dir='./accuracy_report',
    target='rk3588'          # 连板端测 Runtime，不连板可省略
)
rknn.release()

运行结束后打开 ./accuracy_report/accuracy_analysis.html，会看到每一层的余弦相似度表格和特征图热力图。

2.2 解读相似度指标

余弦相似度 cos_similarity	判定	处理方向
> 0.99	✅ 正常	无需处理
0.95 ~ 0.99	⚠️ 轻微累积	优化校准集代表性
< 0.95	❌ 异常层	对该层做混合量化，保留 FP16
浅层就崩	❌ 输入分布问题	查预处理 / 校准集

2.3 识别误差分布形态

看相似度曲线的整体走势，三种典型形态对应不同根因，直接决定你走哪条修复路径：

形态	特征	根因	修复路径
浅层累积型	前几层相似度就低，逐层放大	校准集不具代表性，或预处理不对齐	[第三步](#形态 特征 根因 修复路径 浅层累积型 前几层相似度就低，逐层放大 校准集不具代表性，或预处理不对齐 第三步 孤立敏感层型 中部某层突然跳水，前后层正常 该层对量化敏感（常见 Concat/注意力） 第四步 检测头跳变型 末端检测头/输出层差异大 后处理解码或 NMS 不对齐 第五步)
孤立敏感层型	中部某层突然跳水，前后层正常	该层对量化敏感（常见 Concat/注意力）	[第四步](#形态 特征 根因 修复路径 浅层累积型 前几层相似度就低，逐层放大 校准集不具代表性，或预处理不对齐 第三步 孤立敏感层型 中部某层突然跳水，前后层正常 该层对量化敏感（常见 Concat/注意力） 第四步 检测头跳变型 末端检测头/输出层差异大 后处理解码或 NMS 不对齐 第五步)
检测头跳变型	末端检测头/输出层差异大	后处理解码或 NMS 不对齐	[第五步](#形态 特征 根因 修复路径 浅层累积型 前几层相似度就低，逐层放大 校准集不具代表性，或预处理不对齐 第三步 孤立敏感层型 中部某层突然跳水，前后层正常 该层对量化敏感（常见 Concat/注意力） 第四步 检测头跳变型 末端检测头/输出层差异大 后处理解码或 NMS 不对齐 第五步)

看报告的诀窍

先扫一遍找"跳水层"（相似度骤降的位置），再往前回溯 2~3 层看是累积还是突变。突变基本就是那一层的问题，累积则要回到输入端查。

---

03 第三步：预处理对齐修复

这是掉点的头号原因。必须做到 PC 端与板端"逐像素一致"。

❌ 90% 的精度暴跌源于此

很多新手跑通转换，INT8 后 mAP 掉 10% 以上，几乎都是校准集或预处理不对齐导致。按下面四个点逐一核对，基本能把损失控制在 1% 以内。

3.1 核对归一化参数 mean / std

rknn.config 的 mean/std 必须与训练时 transforms.Compose 完全一致。YOLO 系列通常不做 mean 减法，只做 /255，所以 std=255、mean=0。

# YOLO 标准预处理：pixel / 255，无 mean 减法
# 对应 rknn.config 写法：
rknn.config(
    mean_values=[[0, 0, 0]],       # 不减均值
    std_values=[[255, 255, 255]],    # 除以 255
    target_platform='rk3588'
)

⚠️ 易错点

如果训练时用了 ImageNet 的 mean=0.485,0.456,0.406、std=0.229,0.224,0.225，RKNN 里也要按同样数值换算成 0~255 尺度填入，否则通道整体偏移。

3.2 统一颜色空间 RGB / BGR

YOLO 训练默认 RGB ，但 OpenCV 读图默认 BGR 。板端推理前必须做 cv2.cvtColor(img, cv2.COLOR_BGR2RGB)，否则 R/B 通道颠倒，精度直接崩。

✅ 推荐做法

全流程统一用 RGB，从训练、导出、转换到板端推理，颜色空间顺序写进配置文件管理，避免靠人记忆。

3.3 对齐 Letterbox 缩放

Letterbox 是 YOLO 保持长宽比的缩放填充，PC 端和板端必须用完全相同 的算法，并记录缩放比例 ratio 和填充边 pad，供后处理坐标还原使用。

# letterbox_safe.py

# 危险写法（YOLOv8 习惯，auto 会动态改变输出尺寸）
letterbox = LetterBox(new_shape=640, auto=True)

# 安全写法（YOLO11 / RKNN 部署必须）
letterbox = LetterBox(
    new_shape=(640, 640),   # 显式固定尺寸
    auto=False,            # 关闭 auto，保证输入 shape 固定
    scale_fill=False,
    stride=32              # 必须是 32 的倍数
)

3.4 重做校准数据集

校准集直接决定量化质量。官方建议 500~1000 张，且必须覆盖真实部署场景。

# build_dataset.sh
# 生成 dataset.txt，每行一张图片的绝对路径
find /data/calib_imgs -name "*.jpg" > dataset.txt
wc -l dataset.txt   # 确认数量在 500~1000

校准集选取原则：

• 覆盖白天 / 夜间 / 黄昏等不同光照
• 包含遮挡、运动模糊、密集目标等难例
• 包含小目标场景（小目标最易被量化截断）
• 类别分布与实际部署比例一致，不要只挑易识别的
• 来源与验证集不同（避免过拟合校准）

3.5 复测验证

修完预处理后重新转 INT8，跑验证集。若 mAP 损失已 ≤ 1%，直接进入验收；否则回到第二步重新做 accuracy_analysis，看是否还有孤立敏感层。

---

04 第四步：混合量化修复

对 accuracy_analysis 定位的敏感层单独保留 FP16，主干仍走 INT8，兼顾速度与精度。

4.1 识别敏感层

从第二步的报告里挑出 cos_similarity < 0.95 的层。YOLO 中常见的敏感层包括：

• 检测头最后两层卷积（Conv_198 / Conv_205 这类命名）
• 注意力模块（如 C2f 中的注意力分支）
• Concat 后的层（多分支特征融合处易失真）
• 末端 1x1 卷积（通道数大，量化噪声放大）

4.2 配置混合量化

通过 rknn.config 的 quantized_dtype 和排除参数，让敏感层保留高精度，其余层走 INT8。

# hybrid_quant.py
rknn = RKNN()

rknn.config(
    mean_values=[[0, 0, 0]],
    std_values=[[255, 255, 255]],
    target_platform='rk3588',
    quantized_dtype='w8a8',                  # 权重激活都 INT8
    quantized_method='channel',             # 逐通道量化，精度更高
    quantized_algorithm='mmse',             # 比 kl_divergence 通常更好
    optimization_level=3
)

rknn.load_onnx(model='best.onnx')

# 混合量化：指定敏感层不参与 INT8，保留 FP16
rknn.build(
    do_quantization=True,
    dataset='./dataset.txt',
    rknn_batchsize=-1
)
# 敏感层排除的具体写法依赖 toolkit2 版本，
# 新版通过 rknn.config 的 quantized_dtype_attribute 或
# build 的 extra_layer_config 指定，详见官方文档。

✅ 分层策略经验值

"检测头 / 注意力用 FP16，主干用 INT8"是最常用的分层方式，能显著缓解小目标漏检，同时保持整体推理速度。

4.3 切换量化算法

如果混合量化后仍差一点，试试切换量化算法。默认 kl_divergence，换成 mmse（最小均方误差）通常能再回收 0.3~0.8% mAP。

算法	特点	适用
kl_divergence	基于 KL 散度，理论严谨	分布近似正态的场景
mmse	最小均方误差，直接优化输出误差	✅ 推荐优先尝试
moving_average	滑动平均，稳定但精度一般	分布波动大的场景

---

05 第五步：后处理对齐修复

NMS、解码逻辑、坐标还原三处不一致，会让"模型本身没掉点"却表现为漏检、错框。

⚠️ 典型症状

accuracy_analysis 每层相似度都 > 0.99，但最终检测框数量明显变少或位置偏移------这种情况 99% 是后处理不对齐。

5.1 对齐 NMS 阈值

端到端模型自带的 NMS 与 Torch 版实现常有差异。手动对齐以下参数：

参数	推荐值	说明
Score Threshold	0.001	与训练一致，过滤前保留低分框
IoU Threshold	0.45 ~ 0.5	NMS 去重阈值
Max Output Boxes / Class	300	设合理上限避免截断
Conf Threshold（最终）	0.25 ~ 0.45	推理时最终过滤阈值

✅ 阈值临界排查技巧

对比同一张图 Float 与 Int8 的原始 Score。若只差 0.03 却一个有框一个无框，是 conf 阈值过临界，适当下调（如 0.5→0.45）即可恢复。

5.2 对齐解码逻辑

raw-head 输出需自行解码。必须严格按官方 Detect.forward 重写解码器，特别注意 meshgrid 的 NumPy 等价实现和 grid stride。

# decode_head.py
import numpy as np

def decode_yolov8_head(output, strides=[8, 16, 32]):
    """YOLOv8 raw head 解码，需与官方 forward 严格对齐"""
    # output shape: [1, 4+nc, 8400]  （YOLOv8 无 anchor）
    boxes, scores = [], []
    for i, stride in enumerate(strides):
        # 生成 grid 坐标，等价于 torch.meshgrid
        gx, gy = np.meshgrid(
            np.arange(feature_w), np.arange(feature_h), indexing='xy'
        )
        # 解码 xywh → xyxy
        xywh = output[..., 0:4]
        xyxy = xywh2xyxy(xywh, gx, gy, stride)
        boxes.append(xyxy)
        scores.append(output[..., 4:])
    return np.concatenate(boxes), np.concatenate(scores)

5.3 坐标还原回原图

raw-head 输出的框坐标在 letterbox（640×640）空间，画回原图必须反算缩放比和填充，否则框全跑偏。

# restore_coords.py
# letterbox 时记录的 ratio 和 pad
# x_orig = (x_lb - pad_x) / ratio
# y_orig = (y_lb - pad_y) / ratio

def scale_boxes_back(boxes_lb, ratio, pad):
    """把 letterbox 空间的框还原到原图空间"""
    boxes_orig = boxes_lb.copy()
    boxes_orig[:, 0] = (boxes_lb[:, 0] - pad[0]) / ratio  # x1
    boxes_orig[:, 1] = (boxes_lb[:, 1] - pad[1]) / ratio  # y1
    boxes_orig[:, 2] = (boxes_lb[:, 2] - pad[0]) / ratio  # x2
    boxes_orig[:, 3] = (boxes_lb[:, 3] - pad[1]) / ratio  # y2
    return boxes_orig

✅ 端到端 vs raw-head

端到端模型自带 NMS 会自己做坐标还原；如果用 raw-head（推荐，精度更稳），就必须自己补上这步。漏掉这步是"框全跑偏"的元凶。

5.4 推荐：移除模型内 NMS，用外部后处理

INT8 量化时，模型内 NMS 算子量化损失大且 RKNN 支持不稳定。官方推荐做法是移除模型内 NMS，改用外部后处理（Model Zoo 风格），精度和速度都更稳。

✅ 直接用官方后处理代码

Rockchip SDK 提供 C++ 后处理工具（带 NEON 优化），直接复用比自己重写更省心且更快。在 rknn_model_zoo 对应 YOLO 版本目录下可找到。

---

06 第六步：QAT 量化感知训练

PTQ 调优后仍超阈值的兜底方案。在训练侧插入伪量化节点，让模型提前适应量化噪声。

6.1 何时启用 QAT

当第三~五步都做完，INT8 损失仍 > 1% 时启用。QAT 典型能比 PTQ 再回收 0.5~1.5% mAP，尤其改善小目标漏检（浅层特征被量化截断为 0 的问题）。

6.2 用 Ultralytics 原生 QAT

Ultralytics v8.3.123 起原生支持 Rockchip INT8 导出，可直接在训练侧插入量化感知，无需手动改网络。

# qat_train.sh

# 1. 升级 ultralytics 到支持 RKNN INT8 的版本
pip install -U ultralytics

# 2. 用 QAT 微调（基于已有 best.pt 继续训练，少量 epoch）
yolo detect train model=best.pt data=your_data.yaml \
    epochs=20 imgsz=640 \
    int8=True batch=16

# 3. 导出 RKNN INT8 模型
yolo export model=best_qat.pt format=rknn \
    name=rk3588 int8=True data=your_data.yaml

⚠️ QAT 注意事项

QAT 需要训练环境与数据，耗时比 PTQ 长得多。务必在 PTQ 调到极限后再考虑。微调 epoch 不用太多（15~30），学习率调低（原训练的 1/10），避免破坏已学特征。

6.3 BN Folding 别忘了开

转换时开启 Batch Normalization Folding，把 BN 折叠进卷积，提升 NPU 兼容性并减少量化误差。

---

07 验收标准与回归

每一步都要用同一套验证集 + 同一套后处理代码端到端复测，而非只看模型单层输出。

阶段	验收指标	目标值	不达标怎么办
FP16 RKNN	mAP@0.5 vs ONNX	✅ 损失 < 0.5%	查预处理/算子
INT8 PTQ（初版）	mAP@0.5 vs ONNX	⚠️ 损失 ≤ 2%	进入逐层诊断
INT8 PTQ（调优后）	mAP@0.5 vs ONNX	✅ 损失 ≤ 1%	基本可部署
QAT 后	mAP@0.5 vs ONNX	✅ 损失 ≤ 1%	已达极限
板端实测	同图 Score 差异	✅ < 0.05	查 librknnrt 版本
推理速度	单帧耗时	见平台基准	查是否落到 NPU

✅ 回归测试要点

务必保留一套"黄金验证集"和固定版本的后处理代码，每次调优后用同一套跑。否则指标波动分不清是模型变化还是评测变化。

执行顺序速记

整个调优的推荐执行顺序，严格按此走通常 2~3 轮即可收敛：

# 调优黄金顺序
校准集重做  →  预处理对齐  →  accuracy_analysis 定位
        ↓
混合量化（敏感层 FP16）  →  后处理对齐  →  QAT 兜底
        ↓
   每步复测 mAP，收敛到 ≤ 1% 即可部署

---

08 常见问题速查

新手最常踩的坑，按现象快速定位。

Q：INT8 量化后 mAP 掉了 10% 以上，商品全认错，从哪查起？

A：90% 是校准集不行或预处理没对齐。第一步先重做校准集（500~1000 张覆盖真实场景），第二步核对 mean/std/BGR-RGB/letterbox 三项。这两步基本能把暴跌压到 1% 以内。

---

Q：FP16 就掉点了，但 accuracy_analysis 每层相似度都 > 0.99？

A：模型本身没问题，问题在后处理。检查 NMS 阈值、解码逻辑、坐标还原（尤其 letterbox 的 ratio/pad 是否正确传到后处理）。

---

Q：PC 上仿真精度正常，板端实测却掉点？

A：检查 toolkit2 与板端 librknnrt 版本是否配套，不一致会出现算子回退到 CPU 或结果异常。用 rknn.query 确认平台字符串与板子型号一致。

---

Q：小目标大量漏检，大目标正常？

A：浅层特征被量化截断为 0。方案：对浅层/检测头做混合量化保留 FP16；或启用 QAT；或增加轻量级注意力模块增强小目标上下文感知。

---

Q：转换直接报错"算子不支持"？

A：用了 RKNN 不支持的魔改算子（自定义注意力、魔改卷积）。改用官方标准结构，或用 RKNN API 注册自定义算子插件。优先用 rknn_model_zoo 对应版本的转换脚本。

---

Q：框的位置全偏了，但检测到的类别对？

A：坐标还原没做或做错了。raw-head 输出在 letterbox 空间，必须用 x_orig = (x_lb - pad_x) / ratio 还原回原图。端到端模型自带这步，自己解码必须补上。

---

Q：Float 和 Int8 的 Score 只差 0.03，但一个有框一个没框？

A：conf 阈值设得过于临界。适当降低推理时的置信度阈值（如 0.5 → 0.45），观察该类别是否重新出现。

---

Q：kl_divergence 和 mmse 哪个好？

A：没有绝对优劣，但 mmse（最小均方误差）直接优化输出误差，在 YOLO 上通常比 kl_divergence 回收 0.3~0.8% mAP，建议优先尝试 mmse。

---

09 完整配置模板

一键复制即用的转换脚本模板，整合了本手册所有最佳实践。

# convert_rknn_full.py
# -*- coding: utf-8 -*-
"""YOLO → RKNN 完整转换模板（整合最佳实践）
适用：YOLOv5 / YOLOv8 / YOLOv11，RK3566/3568/3588/3576
"""
from rknn.api import RKNN
import os

# ============ 1. 配置区（按你的情况改） ============
ONNX_PATH     = './best.onnx'
DATASET_PATH  = './dataset.txt'        # 500~1000 张校准图路径列表
PLATFORM      = 'rk3588'               # rk3566 / rk3568 / rk3576 / rk3588
OUTPUT_FP16   = './best_fp16.rknn'
OUTPUT_INT8   = './best_int8.rknn'

# ============ 2. 创建 RKNN ============
rknn = RKNN(verbose=True)

# ============ 3. 预处理配置（必须与训练一致） ============
rknn.config(
    mean_values=[[0, 0, 0]],            # YOLO 标准：不减均值
    std_values=[[255, 255, 255]],       # YOLO 标准：除以 255
    target_platform=PLATFORM,
    quantized_dtype='w8a8',              # 权重激活都 INT8
    quantized_method='channel',           # 逐通道量化
    quantized_algorithm='mmse',           # 推荐：比 kl_divergence 更好
    optimization_level=3                 # 最高优化级别
)

# ============ 4. 加载 ONNX ============
ret = rknn.load_onnx(model=ONNX_PATH)
assert ret == 0, f"加载 ONNX 失败: {ret}"

# ============ 5. 先转 FP16 建基线 ============
print("--> 转换 FP16（不量化，建基线）")
ret = rknn.build(do_quantization=False)
assert ret == 0, f"FP16 build 失败: {ret}"
rknn.export_rknn(OUTPUT_FP16)
print(f"--> FP16 模型已保存: {OUTPUT_FP16}")

# ============ 6. 重新配置并转 INT8 ============
rknn.release()
rknn = RKNN(verbose=True)
rknn.config(
    mean_values=[[0, 0, 0]],
    std_values=[[255, 255, 255]],
    target_platform=PLATFORM,
    quantized_dtype='w8a8',
    quantized_method='channel',
    quantized_algorithm='mmse',
    optimization_level=3
)
rknn.load_onnx(model=ONNX_PATH)

print("--> 转换 INT8（量化）")
ret = rknn.build(
    do_quantization=True,
    dataset=DATASET_PATH,
    rknn_batchsize=-1
)
assert ret == 0, f"INT8 build 失败: {ret}"
rknn.export_rknn(OUTPUT_INT8)
print(f"--> INT8 模型已保存: {OUTPUT_INT8}")

# ============ 7. 逐层精度分析（可选） ============
print("--> 运行 accuracy_analysis")
rknn.accuracy_analysis(
    inputs=['./calib_imgs/0001.jpg'],
    output_dir='./accuracy_report'
)

rknn.release()
print("全部完成，请检查 accuracy_report/accuracy_analysis.html")

使用方法

把上面的脚本保存为 convert_rknn_full.py，修改顶部配置区的三个路径和平台名，然后 python convert_rknn_full.py 一键跑完 FP16 基线 + INT8 量化 + 精度分析三件事。

---

参考资料

1. 【RK3588S 嵌入式AI系列⑥】量化精度评估与调试：accuracy_analysis 深度实战
2. RK3588 模型精度掉点别慌！手把手教你用 RKNN Toolkit2 的 accuracy_analysis 工具精准定位问题层
3. 【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
4. YOLOv8 Implementation and Quantization: From Training to Edge Deployment
5. 深入 RKNN 混合量化：当 YOLOv8 在 RV1126 上精度损失过大时，我是如何逐层调优的
6. 我在 INT8 量化中遇到的问题，解决过程让我收获颇丰
7. YOLOv11 转 RKNN 模型后推理结果异常？
8. YOLOv5 转 RKNN 模型后精度下降如何解决？
9. YOLO 模型转 RKNN 后总丢框、乱框，到底是哪一环没对齐？
10. RK3588 部署 YOLO：ONNX 转换、CPU 算子判断与处理实战
11. YOLO 模型转换 RKNN 后推理结果异常，常见原因有哪些？
12. YOLOv11 跟踪模型 RKNN 部署后准确率下降？
13. YOLO11 目标检测踩坑记：这些错误千万别犯
14. Radxa Docs：Convert Custom Trained YOLO Models
15. Ultralytics v8.3.123：INT8 RKNN Exports
16. rknn_model_zoo --- Quantization
17. RDK 量化工具每层预选相似度都是 0.97 以上，但是量化前后置信度分数相差 0.6 左右
18. yolov5.rknn 在线转 yolov5.gt 时模型精度下降如何解决？
19. How to Deploy YOLOv8 on RK3566
20. YOLOv8 量化实战：5 步实现 RK3588 上 INT8 高效推理，精度性能双提升秘籍