Chuiyu Wiki

Appearance

2026-02-04
889
3.5m

rk3588-yolov11-obb_detect_python ​

项目地址：https://github.com/ana52070/rk3588-yolov11-obb_detect_python

暂无描述

YOLOv11-OBB RK3588 Python Demo ​

本项目提供了一套在 Rockchip RK3588 平台上使用 Python 和 RKNN-Toolkit-Lite2 部署 YOLOv11 OBB (Oriented Bounding Box) 旋转目标检测模型的示例代码。

项目充分利用了 RK3588 的 3 个 NPU 核心进行并发推理，支持单张图片、批量图片以及视频流的高效检测。

✨ 功能特性 ​

  • YOLOv11 OBB 支持: 实现了针对旋转目标检测的后处理逻辑（DFL 解码 + 角度计算）。
  • RK3588 3核并发: 利用 RK3588 的 3 个 NPU 核心（Core 0, 1, 2）进行多线程并发推理，显著提升吞吐量。
  • 视频流处理: 包含完整的视频推理管线（Reader -> Queue -> 3-Core Workers -> Queue -> Writer），并实现了帧重排序逻辑，确保输出视频帧顺序正确。
  • 开箱即用: 提供了适配不同 Python 版本的 rknn_toolkit_lite2 安装包。

📂 目录结构 ​

text
.
├── inference_img.py        # 单线程、单核心图片推理示例（适合调试）
├── inference_3npu_img.py   # 多线程、3核心并发图片推理示例（高性能）
├── inference_mp4.py        # 多线程、3核心并发视频推理示例
├── inputimage/             # 输入图片目录
├── outputimage/            # 输出结果保存目录
├── rknnlite_packages/      # RKNN-Toolkit-Lite2 离线安装包 (Python 3.7 - 3.12)
├── librknnrt.so            # RKNN 运行时库
└── README.md               # 项目说明文档

🛠️ 环境依赖与安装 ​

1. 硬件要求 ​

  • Rockchip RK3588 开发板 (如 Orange Pi 5, Rock 5B, ITX-3588J 等)
  • 系统: Ubuntu / Debian / RKNPU2 驱动已安装

2. 安装 Python 依赖 ​

确保已安装 opencv-python 和 numpy：

bash
pip install opencv-python numpy

3. 安装 RKNN-Toolkit-Lite2 ​

本项目在 rknnlite_packages/ 目录下提供了适配不同 Python 版本的 .whl 安装包。请根据您的 Python 版本选择安装：

bash
# 例如，如果您使用的是 Python 3.9
pip install rknnlite_packages/rknn_toolkit_lite2-2.1.0-cp39-cp39-linux_aarch64.whl

🚀 快速开始 ​

⚠️ 重要配置说明 ​

在运行代码前，请务必打开对应的 .py 文件，修改 RKNN_MODEL 变量为您实际的模型路径：

python
# 请修改为您自己的模型路径
RKNN_MODEL = '/path/to/your/yolov11_obb.rknn'

1. 单图推理 (Debug) ​

用于测试模型是否正常加载及后处理逻辑是否正确。

bash
python inference_img.py
  • 输入：inputimage/ 目录下的图片
  • 输出：outputimage/ 目录下的 final_*.jpg

2. 多核并发图片推理 (High Performance) ​

使用 3 个线程同时调用 NPU 的 3 个核心处理图片文件夹。

bash
python inference_3npu_img.py
  • 输入：inputimage/ 目录下的图片
  • 输出：outputimage/ 目录下的 multi_*.jpg

3. 视频推理 ​

对视频文件进行多核加速推理，并保存结果视频。

bash
# 请在 inference_mp4.py 中修改 VIDEO_PATH 和 OUTPUT_PATH
python inference_mp4.py

🧠 模型说明 ​

本项目默认适配的 YOLOv11 OBB 模型参数如下（需与您的导出模型一致）：

  • 输入尺寸: 1280 x 736
  • 量化类型: INT8 (建议去头操作 nohead 以获得最佳性能)
  • 输出节点: 3 个尺度的特征图 (Strides: 8, 16, 32)

如果您使用不同的输入尺寸或模型结构，请相应修改代码中的 IMG_SIZE 和 post_process 函数。

📝 常见问题 ​

  1. 报错 ImportError: librknnrt.so: cannot open shared object file

    • 请确保 librknnrt.so 在系统库路径中，或者将其所在目录添加到 LD_LIBRARY_PATH。
    • 本项目根目录已包含该文件，可以尝试：export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$(pwd)

  2. 检测框乱飞或角度不对

    • 检查 post_process 中的 dfl_dist 解码逻辑和 angle 计算公式是否与您的训练/导出配置一致。
    • 确认 IMG_SIZE 是否与模型输入严格匹配。

📄 License ​

MIT License

最近更新