想要在嵌入式邊緣設(shè)備上實(shí)現(xiàn)實(shí)時(shí)的AI視覺(jué)分析？面對(duì)復(fù)雜的模型轉(zhuǎn)換和部署是否感到無(wú)從下手？本文將手把手帶你完成YOLOv8目標(biāo)檢測(cè)與語(yǔ)義分割模型在迅為RK3588開(kāi)發(fā)板上的無(wú)縫部署與推理實(shí)戰(zhàn)。依托迅為RK3588內(nèi)置的強(qiáng)大NPU，我們無(wú)需深入底層代碼，即可快速驗(yàn)證AI模型性能，為智能監(jiān)控、機(jī)器人、工業(yè)質(zhì)檢等應(yīng)用開(kāi)發(fā)鋪平道路。

1. 開(kāi)發(fā)平臺(tái)簡(jiǎn)介：為什么選擇迅為RK3588？
   
   工欲善其事，必先利其器。本次實(shí)戰(zhàn)的核心硬件平臺(tái)——迅為iTOP-RK3588開(kāi)發(fā)板，是一款面向高端AIoT應(yīng)用的核心板。
   
   ·強(qiáng)大算力核“芯”：搭載瑞芯微RK3588旗艦級(jí)八核處理器，集成了6TOPs算力的NPU（神經(jīng)網(wǎng)絡(luò)處理單元），專為加速AI推理任務(wù)而生，能夠高效處理YOLOv8這類復(fù)雜的視覺(jué)模型。
   ·全流程開(kāi)發(fā)支持：迅為提供了從硬件驅(qū)動(dòng)、系統(tǒng)構(gòu)建到AI部署的完整資料包。本文使用的例程便來(lái)自于其豐富的NPU例程測(cè)試配套資料，開(kāi)箱即用，極大降低了開(kāi)發(fā)門檻。
   ·豐富生態(tài)與拓展性：板載豐富的接口（如MIPI-CSI、HDMI、以太網(wǎng)等）和強(qiáng)大的多媒體處理能力，使其不僅能跑通模型，更能輕松集成到真實(shí)的視頻流采集、分析和顯示系統(tǒng)中，完成從原型到產(chǎn)品的快速過(guò)渡。

二、實(shí)戰(zhàn)一：YOLOv8目標(biāo)檢測(cè)模型部署

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)的基石任務(wù)，用于識(shí)別圖像中的物體并定位其位置。下面我們開(kāi)始在RK3588上運(yùn)行YOLOv8檢測(cè)模型。

1. yolov8目標(biāo)檢測(cè)

編譯好的yolov8例程已經(jīng)放在了“iTOP-3588開(kāi)發(fā)板\02_【iTOP-RK3588開(kāi)發(fā)板】開(kāi)發(fā)資

料\15_NPU例程測(cè)試配套資料\08_rknn_model_zoo測(cè)試\16_ yolov8”目錄下，如下圖所示：

將該文件拷貝到開(kāi)發(fā)板上，并解壓，解壓完成如下圖所示：

然后進(jìn)入該文件夾，使用以下命令運(yùn)行可執(zhí)行文件，實(shí)現(xiàn)圖片的位置和種類識(shí)別，如下圖

所示：

export LD_LIBRARY_PATH=./lib

./rknn_yolov8_demo model/yolov8.rknn model/bus.jpg

最后會(huì)在當(dāng)前目錄下生成推理完成的圖片，如下圖所示：

可以看到不同的人以及公交車就被識(shí)別了出來(lái)，證明模型推理成功。

2.yolov8_seg語(yǔ)義分割

編譯好的yolov8_seg例程已經(jīng)放在了“iTOP-3588開(kāi)發(fā)板\02_【iTOP-RK3588開(kāi)發(fā)板】開(kāi)發(fā)

資料\15_NPU例程測(cè)試配套資料\08_rknn_model_zoo測(cè)試\17_yolov8_seg”目錄下，如下圖所

示：

將該文件拷貝到開(kāi)發(fā)板上，并解壓，解壓完成如下圖所示：

然后進(jìn)入該文件夾，使用以下命令運(yùn)行可執(zhí)行文件，實(shí)現(xiàn)圖片的位置和種類識(shí)別，如下圖

所示：

export LD_LIBRARY_PATH=./lib

./rknn_yolov8_seg_demo model/yolov8-seg.rknn model/bus.jpg

最后會(huì)在當(dāng)前目錄下生成推理完成的圖片，如下圖所示：

可以看到不同的人以及公交車就被分割了出來(lái)，證明模型推理成功。