从零到一：在RK3588/RK356x国产开发板上部署YOLOv5安全帽检测模型
1. 环境准备与数据标注
在RK3588/RK356x开发板上部署YOLOv5安全帽检测模型，第一步需要搞定两件事：准备好标注数据和搭建训练环境。先说数据标注，安全帽检测属于典型的目标检测任务，需要标注每张图片中安全帽的位置和类别。我常用的标注工具是LabelImg，它支持Pascal VOC和YOLO格式，操作简单适合新手。标注时要注意几点：安全帽必须完整出现在画面中才标注；多人场景下每个佩戴安全帽的头部都需要单独标注；遮挡超过50%的物体建议舍弃。
对于没有标注经验的朋友，这里分享个偷懒技巧：可以使用Roboflow这样的在线平台，它提供自动预标注功能，能节省80%的标注时间。我去年做工地安全监测项目时，用200张标注数据配合它的增强功能，最终生成了2000+训练样本。数据集目录建议按如下结构组织：
dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/2. 模型训练实战技巧
拿到标注数据后，接下来就是在PC端训练YOLOv5模型。虽然RK3588也能跑训练，但效率太低，建议还是在NVIDIA显卡上完成。我测试过RTX 3060训练yolov5s模型，500张图片训练100轮大约需要2小时。训练时有几个关键配置需要注意：
首先是修改data/coco128-helmet.yaml文件，这个文件相当于项目的"地图"。我通常会把类别数量nc改为1（只检测安全帽），然后按7:2:1的比例划分训练集、验证集和测试集。有个坑要注意：路径要用绝对路径，相对路径在转换时容易出错。
然后是train.py的关键参数调整：
python train.py \ --data data/coco128-helmet.yaml \ --weights yolov5s.pt \ --img 640 \ --batch-size 16 \ --epochs 100 \ --device 0这里img尺寸建议保持640x640，太大虽然精度高但会影响板端推理速度。batch-size根据显卡内存调整，我的经验是显存占用控制在80%左右最稳定。训练过程中可以用TensorBoard监控指标，重点看mAP@0.5和损失曲线。
3. 模型格式转换详解
训练得到的.pt模型需要转换成RKNN格式才能在开发板上运行，这个过程我踩过不少坑。首先是转ONNX格式：
python export.py \ --weights runs/train/exp/weights/best.pt \ --include onnx \ --opset 12 \ --simplify这里opset版本很关键，RKNN-Toolkit2目前支持到opset12，用更高版本会报错。转换成功后建议用Netron查看网络结构，确保最后的Detect层输出正常。
接下来是在开发板上转换RKNN格式，这里有个大坑：必须使用板载NPU的驱动版本匹配的RKNN-Toolkit。以RK3588为例，需要rknn-toolkit2版本>=1.4.0。转换脚本主要修改这几个参数：
rknn.config( mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], quantized_dtype='asymmetric_quantized-8', quantized_algorithm='normal', quantized_method='channel' )量化方式建议选channel比layer精度更高，实测在安全帽检测场景能提升3%左右的mAP。
4. 板端部署与性能优化
模型转换完成后，就可以在开发板上部署了。RK3588的NPU性能确实强悍，实测yolov5s模型在1080p输入下能跑到35FPS。部署时要注意内存分配，建议修改rknn.config中的：
rknn.config( target_platform='rk3588', optimization_level=3, core_mask=RKNN.NPU_CORE_0_1_2 # 使用三核加速 )对于视频流处理，我封装了个高效处理管道：
- 使用OpenCV的V4L2后端获取摄像头数据
- 将解码和推理分到不同线程
- 采用双缓冲机制减少等待时间 关键代码片段：
ret, frame = cap.read() if ret: # 前处理 img = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img = letterbox(img, new_shape=(640, 640))[0] # 推理 outputs = rknn.inference(inputs=[img]) # 后处理 boxes = non_max_suppression(outputs)性能优化方面，有三个实用技巧：
- 开启NPU的INT8量化能提升30%速度
- 使用多核并行处理，RK3588的3个NPU核心可以负载均衡
- 降低输入分辨率到480p能在保持精度的前提下提升帧率
5. 业务场景落地实践
在实际部署中，单纯检测安全帽往往不够，需要结合业务逻辑。我总结了几种常见场景方案：
工地入口监控方案
- 采用RTSP协议接入网络摄像头
- 检测到未佩戴安全帽时触发声光报警
- 通过MQTT协议上报违规事件到管理平台
- 关键代码：
if not has_helmet: GPIO.output(BUZZER_PIN, GPIO.HIGH) client.publish("safety/alert", json.dumps(alert_data))移动端巡检系统
- 开发板+摄像头模组做成便携设备
- 使用PyQt开发简易UI界面
- 检测结果本地存储并支持4G回传
- 功耗优化到5W以下可电池供电
有个容易忽视的问题：不同工地安全帽颜色可能代表不同工种，这时需要修改模型输出头，建议在标注阶段就用不同类别区分。我处理过最复杂的场景需要同时检测安全帽、反光衣、安全带三种防护装备，这时建议用yolov5m模型保证精度。
6. 常见问题排查指南
在项目落地过程中，这些坑我基本都踩过：
模型转换失败
- 现象：onnx转rknn时卡死在量化阶段
- 排查：检查输入尺寸是否为正方形，非正方形输入需要先padding
- 解决：在export.py中添加--img参数确保与训练时一致
推理结果异常
- 现象：检测框全部偏移或尺寸不对
- 排查：检查letterbox处理是否与训练时一致
- 解决：保持前后处理的归一化方式相同
NPU利用率低
- 现象：rk3588的NPU负载只有30%
- 排查：查看是否启用多核，数据传输是否成为瓶颈
- 解决：使用rknn.config的core_mask参数激活多核
内存泄漏也是常见问题，建议在Python代码中加入资源监控：
import psutil print(f"Memory usage: {psutil.Process().memory_info().rss / 1024 / 1024:.2f}MB")最后分享个实用技巧：在工地等强光环境下，建议在摄像头加装偏振镜，能显著减少反光导致的误检。有次项目验收时正午阳光直射，检测准确率从95%暴跌到60%，后来加了偏振镜才解决问题。