适用于 Ultralytics YOLO26 模型的 Rockchip RKNN 导出#

在嵌入式设备上部署计算机视觉模型时，尤其是在由 Rockchip 处理器驱动的设备上，拥有兼容的模型格式至关重要。将 Ultralytics YOLO26 模型导出为 RKNN 格式，可确保在 Rockchip 硬件上的优化性能和兼容性。本指南将指导你将 YOLO26 模型转换为 RKNN 格式，包括浮点和 INT8 量化导出，从而实现其在 Rockchip 平台上的高效部署。

什么是 Rockchip？#

Rockchip 以提供多样化且高能效的解决方案而闻名，设计了先进的片上系统（SoCs），为广泛的消费电子产品、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 SoCs 为平板电脑、智能电视、IoT 系统和边缘 AI 应用等设备提供前沿性能。Radxa、ASUS、Pine64、Orange Pi、Odroid、Khadas 和 Banana Pi 等公司提供了各种基于 Rockchip SoCs 的产品，进一步扩大了其在多元市场中的覆盖范围和影响力。

RKNN Toolkit#

RKNN Toolkit 是 Rockchip 提供的一组工具和库，用于帮助在其硬件平台上部署深度学习模型。RKNN，即 Rockchip 神经网络，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 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 平台上部署时具有多项优势：

• 针对 NPU 优化：RKNN 模型经过专门优化，可在 Rockchip 的 NPU 上运行，从而确保最高性能和效率。
• 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 模型可以针对特定的 Rockchip 平台进行调整，从而更好地利用硬件资源。
• 高能效：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，使硬件能够启动到可用的工作环境中。本指南将提供我们测试过的两台设备的入门指南，分别是 Radxa Rock 5B 和 Radxa Zero 3W。

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

支持的任务#

RKNN 导出支持全部七种 Ultralytics 任务。语义分割和深度估计仅适用于 YOLO26，因为只有该系列提供这些检测头。

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#

要安装所需的软件包，请运行：

# 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，请参阅我们的 Ultralytics 安装指南。在为 YOLO26 安装所需软件包时，如果遇到任何困难，请参阅我们的常见问题指南以获取解决方案和建议。

使用方法#

RKNN 格式支持 Export、Predict 和 Validate 模式。推理和验证均在 Rockchip NPU 硬件上运行。导出模型，然后加载导出的模型以运行推理或验证其准确性。默认情况下，对于支持 FP16 的 Rockchip 目标设备，RKNN 导出使用浮点构建路径（quantize=16）。使用 quantize=8 和校准数据构建 INT8 量化的 RKNN 模型。RKNN 导出不提供单独的 FP32 模式；FP16 默认设置不会请求 FP32。

from ultralytics import YOLO

# Load a YOLO26 model (replace with any supported task model)
model = YOLO("yolo26n-obb.pt")

# Export the model to RKNN format
model.export(format="rknn", name="rk3588")  # creates 'yolo26n-obb_rknn_model'

# Export an INT8-quantized RKNN model with calibration data (detection models only)
model = YOLO("yolo26n.pt")
model.export(format="rknn", name="rk3588", quantize=8, data="coco8.yaml")  # creates 'yolo26n_rknn_model'

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

# Run inference
results = model("https://ultralytics.com/images/boats.jpg")

from ultralytics import YOLO

# Load the exported RKNN model
model = YOLO("./yolo26n-obb_rknn_model")

# Validate accuracy on the DOTA8 dataset
metrics = model.val(data="dota8.yaml")

导出参数#

如需详细了解导出流程，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，下一步是在基于 Rockchip 的设备上部署这些模型。

安装#

要安装所需的软件包，请运行：

# Install the required package for YOLO26
pip install ultralytics

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

实际应用#

搭载 Rockchip 的设备结合 YOLO26 RKNN 模型可用于各种应用：

• 智能监控：以低功耗部署高效的目标检测系统，用于安全监控。
• 工业自动化：直接在嵌入式设备上实施质量控制和缺陷检测。
• 零售分析：无需依赖云端，即可实时跟踪客户行为并管理库存。
• 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，使用 rknn 模型格式测量速度和准确率。

总结#

在本指南中，你了解了如何将 Ultralytics YOLO26 模型导出为 RKNN 格式，以增强其在 Rockchip 平台上的部署能力。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，为在嵌入式设备上运行高级计算机视觉任务提供了高效解决方案。这种方式能够以极低的功耗和高性能实现实时目标检测及其他视觉 AI 应用。

如需进一步了解使用详情，请访问 RKNN 官方文档。

此外，如果你想进一步了解其他 Ultralytics YOLO26 集成，请访问我们的集成指南页面。你可以在那里找到大量实用资源和见解。

常见问题#