一：PT转ONNX

1. 首先克隆rknn修改后的ultralytics版本项目到本地

https://github.com/airockchip/ultralytics_yolov8

<code>cd ultralytics-main

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install -e .

主要是修改了源码的ultralytics/nn/modules/head.py和ultralytics/engine/exporter.py两个文件。

2. 使用修改后的ultralytics对pt模型进行模型转换，此处的format=rknn代表支持rknn后续的转换，而不是用onnx，一定要注意！！！

yolo export model=/your_path/best.pt format=rknn

二：ONNX转RKNN

1. 在linux x86上配置Toolkit环境，具体步骤如下链接：

https://docs.radxa.com/rock5/rock5b/app-development/rknn_install

相关链接： 

# 下载 RKNN-Toolkit2 仓库

https://github.com/airockchip/rknn-toolkit2.git

# 下载 RKNN Model Zoo 仓库

https://github.com/airockchip/rknn_model_zoo.git

2. 模型的转换只能在rknn-toolkit2中，因此Linux系统只能是linux x86，配置环境时注意python版本问题

- RKNN-Toolkit2 is not compatible with [RKNN-Toolkit](https://github.com/airockchip/rknn-toolkit)

- Currently only support on:

  - Ubuntu 18.04 python 3.6/3.7

  - Ubuntu 20.04 python 3.8/3.9

  - Ubuntu 22.04 python 3.10/3.11

配置好环境后，可通过

python

import rknn

检查是否安装成功？！

3. 然后通过rknn_model_zoo里的YOLOv8的convert.py转换即可

import sys

from rknn.api import RKNN

if __name__ == '__main__':

# onnx模型位置

model_path = "/home/zhangh/RKNN_Docker/ultralytics_yolov8-main/ultralytics_yolov8-main/yolov8n.onnx"

# rknn导出位置

output_path = "/home/zhangh/RKNN_Docker/ultralytics_yolov8-main/ultralytics_yolov8-main/weight/yolov8n.rknn"

# Create RKNN object

rknn = RKNN(verbose=False)

# Pre-process config

print('--> Config model')

rknn.config(mean_values=[[0, 0, 0]], std_values=[

[255, 255, 255]], target_platform='rk3588')code>

print('done')

# Load model

print('--> Loading model')

ret = rknn.load_onnx(model=model_path)

if ret != 0:

print('Load model failed!')

exit(ret)

print('done')

# Build model

print('--> Building model')

ret = rknn.build(do_quantization=False)

if ret != 0:

print('Build model failed!')

exit(ret)

print('done')

# Export rknn model

print('--> Export rknn model')

ret = rknn.export_rknn(output_path)

if ret != 0:

print('Export rknn model failed!')

exit(ret)

print('done')

# Release

rknn.release()

可视化rknn模型