yolov12 部署又来了。
特别说明：如有侵权告知删除，谢谢。
完整代码：包括onnx转rknn和测试代码、rknn板端部署C++代码：
【onnx转rknn和测试代码】
【rknn板端部署C++代码】
1 模型训练
yolov12训练官方开源的已经非常详细了，参考官方代码。
2 导出 yolov12 onnx
导出onnx修改以下几处。
第一处：修改导出onnx的检测头
# 导出 onnx 增加y = []for i in range(self.nl):t1 = self.cv2[i](x[i])t2 = self.cv3[i](x[i])y.append(t1)y.append(t2)return y
第二处：增加保存onnx代码
print("=========== onnx =========== ")import torchdummy_input = torch.randn(1, 3, 640, 640)input_names = ["data"]output_names = ["output1", "output2", "output3", "output4", "output5", "output6"]torch.onnx.export(self.model, dummy_input, "./yolov12n_zq.onnx",verbose=False, input_names=input_names, output_names=output_names, opset_version=11)print("======================== convert onnx Finished! .... ")
修改完以上两处，运行以下代码：
from ultralytics import YOLO
model = YOLO(model='yolov12n.pt') # load a pretrained model (recommended for training)
results = model(task='detect', source='./test.jpg', save=True) # predict on an image
特别说明： 修改完以上两处后运行会报错，但不影响onnx的生成；生成onnx后强烈建议用from onnxsim import simplify 处理一下再转rknn。
import onnx
from onnxsim import simplifymodel_path = 'yolov12n.onnx'
model_proto = onnx.load(model_path)
model_sim, check = simplify(model_proto)
onnx.save(model_sim, 'yolov12n_smi.onnx')print('simplify finished.')
3 测试onnx效果
pytorch效果
onnx效果
4 onnx转rknn
onnx转rknn后仿真结果
5 rk3588板子测试yolov12模型
使用的 rknn_toolkit 版本：rknn_toolkit2-2.2.0-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
C++代码中的库和工具链的版本注意对应适配。
1）编译
cd examples/rknn_yolov12_demo_dfl_openbash build-linux_RK3588.sh2）运行
cd install/rknn_yolo_demo_Linux./rknn_yolo_demo 注意：修改模型、测试图像、保存图像的路径，修改文件为src下的main.cc
int main(int argc, char **argv)
{char model_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov12_demo_dfl_open/model/RK3588/yolov12n_zq.r";char image_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov12_demo_dfl_open/test.jpg";char save_image_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov12_demo_dfl_open/test_result.jpg";detect(model_path, image_path, save_image_path);return 0;
}
3）板端效果和时耗
这个时耗非常高，查看转rknn时的日志，很多操作切换到cpu上进行计算。
