YoloV11的pt模型转rknn模型适用于RK3588等系列
YoloV11环境搭建
下载源码
git clone https://github.com/ultralytics/ultralytics.git
mv ultralytics yolov11
cd yolov11/
搭建python环境(以conda为例)
#创建conda环境
conda create --name yolov11 python==3.10
#激活
conda activate yolov11
#安装torch cuda版本
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113
新建requirements.txt
sudo vim requirements.txt
#requirements.txt
# YOLOv11 官方依赖（仅保留核心必要包，避免冲突）
ultralytics>=8.2.0 # 包含 YOLOv11，直接安装官方最新版
numpy>=1.21.6
opencv-python>=4.6.0
pillow>=9.1.0
安装依赖
pip install -r requirememts.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
新建环境测试脚本：test_env.py
from ultralytics import YOLO
import os
# 加载 YOLOv11 官方预训练模型（自动下载，首次运行可能需要1-2分钟）
model = YOLO('yolov11n.pt') # 'yolov11n.pt' 是轻量版，适合快速验证；需要高精度可换 'yolov11x.pt'
# 测试模型（用一张示例图，在线拉取测试图）
results = model('https://ultralytics.com/images/zidane.jpg') # 在线拉取测试图
# 保存检测结果图片（关键修改：无界面环境用 save() 替代 show()）
# 创建输出目录（避免报错）
output_dir = 'yolo_detection_results'
os.makedirs(output_dir, exist_ok=True)
# 保存标注后的图片（文件名：detection_result.jpg，保存到创建的目录中）
save_path = os.path.join(output_dir, 'detection_result.jpg')
results[0].save(save_path) # 保存图片到本地
print(f"检测完成！结果图片已保存至：{save_path}")
在官方github(https://github.com/ultralytics/ultralytics.git)中下载yolov11n.pt模型，放入到yolov11目录下：
wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt
完成后，运行测试环境代码：
python3 test_env.py
如果成功弹出识别图片的话，则说明环境配置成功。
Pt格式转rknn格式
首先需要安装rknn-toolkit2,可以直接去rknn-toolkit2的github中单独下载对应的requirements.txt和whl：
rknn-toolkit2/rknn-toolkit2/packages/arm64 at master · airockchip/rknn-toolkit2
#下载对应的requirements.txt和whl
#安装requirements.txt
pip install -r requirements_cp310-2.1.0.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
#安装rknn-toolkit2的whl
pip install rknn_toolkit2-2.1.0+708089d1-cp310-cp310-linux_x86_64.whl
模型转换
# Export a YOLO11n PyTorch model to RKNN format # 'name' can be one of rk3588, rk3576, rk3566, rk3568, rk3562, rv1103, rv1106, rv1103b, rv1106b, rk2118, rv1126b
yolo export model=yolo11n.pt format=rknn name=rk3588 # creates'/yolo11n_rknn_model'
导出参数
转换成功后，会输出保存的结果：
然后我们可以在对应的路径下拿到模型rknn文件和其对应的metadata.yaml
至此，yolov11的pt转rknn完成。