为 Ultralytics YOLO26 模型导出 Rockchip RKNN#

在嵌入式设备上部署计算机视觉模型时，尤其是部署在 Rockchip 处理器驱动的设备上，使用兼容的模型格式至关重要。将 Ultralytics YOLO26 模型导出为 RKNN 格式，可确保模型在 Rockchip 硬件上获得优化性能并保持兼容性。本指南将介绍如何将 YOLO26 模型转换为 RKNN 格式，包括浮点和 INT8 量化导出，从而支持在 Rockchip 平台上高效部署。

什么是 Rockchip？#

Rockchip 以提供多功能、高能效的解决方案而闻名，设计了先进的片上系统（SoCs），为各种消费电子产品、工业应用和 AI 技术提供动力。凭借基于 ARM 的架构、内置神经处理单元（NPUs）和高分辨率多媒体支持，Rockchip SoC 为平板电脑、智能电视、物联网系统和边缘 AI 应用等设备提供尖端性能。Radxa、ASUS、Pine64、Orange Pi、Odroid、Khadas 和 Banana Pi 等公司提供了多种基于 Rockchip SoC 的产品，进一步拓展了 Rockchip 在各类市场中的覆盖范围和影响力。

RKNN Toolkit#

RKNN Toolkit 是 Rockchip 提供的一套工具和库，用于简化深度学习模型在其硬件平台上的部署。RKNN，即 Rockchip Neural Network，是这些工具使用的专有格式。RKNN 模型旨在充分利用 Rockchip NPU（神经处理单元）提供的硬件加速，确保在 RK3588、RK3566、RV1103、RV1106 等设备以及其他由 Rockchip 驱动的系统上执行 AI 任务时获得高性能。

RKNN 模型的主要特性#

RKNN 模型在 Rockchip 平台上部署时具备多项优势：

• 针对 NPU 优化：RKNN 模型经过专门优化，可在 Rockchip NPU 上运行，从而确保性能和效率达到最大化。
• 低延迟：RKNN 格式可最大限度地降低推理延迟，这对于边缘设备上的实时应用至关重要。
• 平台专属定制：RKNN 模型可针对特定的 Rockchip 平台进行定制，从而更充分地利用硬件资源。
• 能效高：借助专用 NPU 硬件，RKNN 模型的功耗低于基于 CPU 或 GPU 的处理方式，从而延长便携式设备的电池续航时间。

将操作系统刷入 Rockchip 硬件#

拿到基于 Rockchip 的设备后，第一步是刷入操作系统，让硬件能够启动并进入可用环境。本指南将介绍我们测试过的两款设备 Radxa Rock 5B 和 Radxa Zero 3W 的入门指南。

• Radxa Rock 5B 入门指南
• Radxa Zero 3W 入门指南

支持的任务#

RKNN 导出支持 Ultralytics 的全部七项任务。语义分割和深度估计仅适用于 YOLO26；YOLO26 是唯一提供这两种检测头的系列。

导出为 RKNN：转换 YOLO26 模型#

将 Ultralytics YOLO26 模型导出为 RKNN 格式，并使用导出的模型运行推理。

安装#

运行以下命令安装所需的软件包：

# Install the required package for YOLO26
pip install ultralytics

有关安装流程的详细说明和最佳实践，请查看我们的 Ultralytics 安装指南。安装 YOLO26 所需的软件包时，如果遇到困难，请查阅我们的常见问题指南，获取解决方案和建议。

用法#

RKNN 格式支持 Export、Predict 和 Validate 模式。推理和验证在 Rockchip NPU 硬件上运行。导出模型后，加载导出的模型即可运行推理或验证其准确率。默认情况下，对于支持 FP16 的 Rockchip 目标平台，RKNN 导出会使用浮点构建路径（quantize=16）。使用 quantize=8，结合校准数据构建 INT8 量化 RKNN 模型。RKNN 导出不提供独立的 FP32 模式；默认的 FP16 不会请求 FP32。

from ultralytics import YOLO

# 加载 YOLO26 模型（替换为任何受支持的任务模型）
model = YOLO("yolo26n-obb.pt")

# 将模型导出为 RKNN 格式
model.export(format="rknn", name="rk3588")  # creates 'yolo26n-obb_rknn_model'

# 结合校准数据导出 INT8 量化 RKNN 模型（仅限检测模型）
model = YOLO("yolo26n.pt")
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")  # creates 'yolo26n_rknn_model'

from ultralytics import YOLO

# 加载导出的 RKNN 模型
model = YOLO("./yolo26n-obb_rknn_model")

# 运行推理
results = model("https://ultralytics.com/images/boats.jpg")

from ultralytics import YOLO

# 加载导出的 RKNN 模型
model = YOLO("./yolo26n-obb_rknn_model")

# 在 DOTA8 数据集上验证准确率
metrics = model.val(data="dota8.yaml")

导出参数#

有关导出流程的更多详情，请访问 Ultralytics 导出文档页面。

部署导出的 YOLO26 RKNN 模型#

成功将 Ultralytics YOLO26 模型导出为 RKNN 格式后，下一步就是在基于 Rockchip 的设备上部署这些模型。

安装#

运行以下命令安装所需的软件包：

# Install the required package for YOLO26
pip install ultralytics

安装完成后，按照上文使用部分所示，在 Rockchip 设备上运行推理和验证即可——导出的 _rknn_model 可直接通过 YOLO(...) 加载。

实际应用#

搭载 YOLO26 RKNN 模型的 Rockchip 设备可用于多种应用：

• 智能监控：部署高效的目标检测系统，以低功耗进行安全监控。
• 工业自动化：直接在嵌入式设备上实现质量控制和缺陷检测。
• 零售分析：实时跟踪客户行为并管理库存，无需依赖云端。
• 智慧农业：利用农业计算机视觉监测作物健康状况并检测害虫。
• 自主机器人：在资源受限的平台上实现基于视觉的导航和障碍物检测。

基准测试#

以下 YOLO26 基准测试由 Ultralytics 团队在基于 Rockchip RK3588 的 Radxa Rock 5B 上运行，采用 rknn 模型格式测量速度和准确率。

总结#

本指南介绍了如何将 Ultralytics YOLO26 模型导出为 RKNN 格式，以便在 Rockchip 平台上更好地部署模型。你还了解了 RKNN Toolkit，以及在边缘 AI 应用中使用 RKNN 模型的具体优势。

Ultralytics YOLO26 与 Rockchip NPU 技术相结合，可为在嵌入式设备上运行高级计算机视觉任务提供高效解决方案。这种方法能够以极低功耗和高性能实现实时目标检测及其他视觉 AI 应用。

如需了解更多使用详情，请参阅 RKNN 官方文档。

此外，如果你想进一步了解其他 Ultralytics YOLO26 集成方案，请访问我们的集成指南页面。页面上有许多实用资源和见解。

常见问题#