yolov8检测模型pt转rknn

前言：
步骤是pt转onnx再转rknn。以下有些要点，请看代码备注。

一、pt2onnx.py

importargparseimportcv2importnumpyasnpimportonnxruntimeasortimporttorchfromultralyticsimportYOLO model=YOLO("runs/detect/train3/weights/best.pt")# 导出为 ONNX 格式，并指定保存路径output_path="runs/detect/train3/weights"# 自定义路径# 指定保存目录 特别注意点：opset = 12model.export(format="onnx",save_dir="custom_directory",opset=12)

二、onnx转rknn
onnx2rknn.py
注意点

1. 准备校准图片
2. 注意写好对应的相机型号
3. 此转换过程是在pc端进行的

fromrknn.apiimportRKNNimportos# ===================== 配置（v2.3.2 严格兼容版） =====================ONNX_MODEL="./runs/detect/train3/weights/best.onnx"# 新导出的标准ONNXRKNN_MODEL="./runs/detect/train3/weights/obstacle_det.rknn"TARGET_PLATFORM="rk3588"# 根据你使用的相机型号进行替换CALIB_DIR="./calib_images/"# INT8校准图目录（10-50张同分布图片）CALIB_LIST="./calib_list.txt"# 🔧 必须是.txt文件路径，不能是列表# ===================== 自动生成校准数据集（关键修复） =====================defget_calib_dataset(calib_dir,CALIB_LIST):# 自动遍历文件夹，获取所有图片路径img_ext=[".jpg",".jpeg",".png",".bmp"]calib_data=[]forroot,_,filesinos.walk(calib_dir):forfileinfiles:ifany(file.lower().endswith(ext)forextinimg_ext):calib_data.append(os.path.join(root,file))iflen(calib_dataset)==0:print("❌ calib_images目录下无图片，请放入10-50张校准图")exit(1)# 写入列表文件withopen(OUTPUT_LIST,"w")asf:forpathincalib_dataset:f.write(path+"\n")returnCALIB_LIST# return calib_data# ===================== 初始化RKNN =====================rknn=RKNN(verbose=True)# mean_values长度匹配3通道，删除input_size_list等手动指定参数print("=== 配置RKNN模型（RK3588 v2.3.2兼容） ===")rknn.config(mean_values=[[0,0,0]],std_values=[[255,255,255]],target_platform=TARGET_PLATFORM,quantized_dtype="w8a8",# INT8量化optimization_level=3)# 删除inputs/outputs/input_size_list，让RKNN自动读取ONNX维度print("=== 加载ONNX模型 ===")ret=rknn.load_onnx(model=ONNX_MODEL)ifret!=0:print("❌ 加载ONNX失败")exit(ret)# 自动生成校准数据集，传入build函数print("=== 加载校准图 ===")CALIB_LIST=get_calib_dataset(CALIB_DIR,CALIB_LIST)# ===================== 构建INT8 RKNN模型 =====================print("=== 构建INT8 RKNN模型 ===")ret=rknn.build(do_quantization=True,dataset=CALIB_LIST# 校准图目录)ifret!=0:print("❌ 构建RKNN失败")exit(ret)# ===================== 导出RKNN模型 =====================print("=== 导出RKNN模型 ===")ret=rknn.export_rknn(RKNN_MODEL)ifret!=0:print("❌ 导出RKNN失败")exit(ret)print(f"\n🎉 RK3588专用INT8 RKNN模型生成完成：{RKNN_MODEL}")rknn.release()

三、最终验证步骤

1. 放图：把 10~50 张图放进 calib_images/
2. 生成列表：运行上面的生成脚本
3. 转换：运行 python onnx2rknn.py
4. 结果：生成 yolov8s_rk3588_int8.rknn