RK3588 YOLOv5 部署

查看 GitHub 仓库 →

在 RK3588 开发板上编译运行 YOLOv5 RKNN 推理 Demo，支持替换自训练模型、修改类别数与 NMS/置信度阈值。后处理默认在 CPU 实现（硬件限制），模型使用 ReLU 激活以兼顾精度与性能。

C++RKNN Toolkit2 ≥1.1.2librga

效果展示

示例：`assets/drp.rknn` 在测试图上的检测框输出（仓库自带）

特性

• RK3588 Linux 一键编译脚本 build_rk3588_yolov5.sh
• 测试脚本 test_rk3588_yolov5.sh
• 自定义 .rknn 模型与 labels_list.txt
• 可调后处理宏：OBJ_CLASS_NUM、NMS_THRESH、BOX_THRESH

环境要求

项	说明
硬件	RK3588 开发板（在板子上 clone 与编译）
网络	开发板需联网并配置 Git
工具链	rknn-toolkit2 ≥ 1.1.2
依赖	librga.so（见 rockchip-linux/linux-rga）

RKNN 模型导出

导出步骤请参考：

• CSDN：RK3588 部署 YOLOv5
• wangqiqi/yolov5 rknn_dev 分支
• 上游参考：airockchip/rknn_model_zoo YOLOv5

快速开始

1. 克隆到开发板

git clone https://github.com/wangqiqi/rk3588_yolov5_deploy.git
cd rk3588_yolov5_deploy

NOTE：「本地」指 RK3588 开发板本身，非 PC 交叉编译后再推送（除非自行改造流程）。

2. 编译安装

bash build_rk3588_yolov5.sh

3. 测试

bash test_rk3588_yolov5.sh

默认调用 install/rk3588_yolov5 与 assets/ 下示例模型、图片。

部署自定义模型

1. 将导出的 .rknn 模型放入 assets/
2. 修改 assets/labels_list.txt（每行一个类别名）
3. 添加测试图片到 assets/
4. 修改 yolov5/include/postprocess.h 第 7–11 行：

#define OBJ_NAME_MAX_SIZE 16  // 最长目标名称
#define OBJ_NUMB_MAX_SIZE 64  // 最多目标个数
#define OBJ_CLASS_NUM 1       // 目标类别数 — 按项目修改
#define NMS_THRESH 0.25
#define BOX_THRESH 0.5

5. 重新编译：

bash build_rk3588_yolov5.sh

6. 编辑 test_rk3588_yolov5.sh 指定模型与图片，例如：

cd install
./rk3588_yolov5 assets/drp.rknn assets/drp.png

bash test_rk3588_yolov5.sh

清理

bash clean_all.sh

注意事项

1. 切换自训练模型时须对齐 anchor 等后处理参数，否则解析错误。
2. 官方预训练多为 80 类 COCO；自训练需改 OBJ_CLASS_NUM 及 NMS/BOX 阈值。
3. Demo 依赖 librga；若找不到库，设置 LD_LIBRARY_PATH 包含 librga 路径。
4. 激活函数：Demo 附带模型使用 ReLU（相对 SiLU 精度略降、性能上升）。

常见问题

Q: 能在 PC 上编译吗？
仓库脚本面向板端 native 编译；Android/AArch64 交叉编译可参考仓库 README 原版 airockchip 说明（build-linux_<TARGET>.sh 等）。

Q: 博客有更长的图文教程吗？
本站博文 RK3588 部署 YOLOv5 全流程 含更完整踩坑记录。

源码

• 仓库：wangqiqi/rk3588_yolov5_deploy
• 相关博文：CSDN 黄金旺铺