想要在嵌入式边缘设备上实现实时的AI视觉分析？面对复杂的模型转换和部署是否感到无从下手？本文将手把手带你完成YOLOv8目标检测与语义分割模型在迅为RK3588开发板上的无缝部署与推理实战。依托迅为RK3588内置的强大NPU，我们无需深入底层代码，即可快速验证AI模型性能，为智能监控、机器人、工业质检等应用开发铺平道路。
工欲善其事，必先利其器。本次实战的核心硬件平台——迅为iTOP-RK3588开发板，是一款面向高端AIoT应用的核心板。
·强大算力核“芯”：搭载瑞芯微RK3588旗舰级八核处理器，集成了6TOPs算力的NPU（神经网络处理单元），专为加速AI推理任务而生，能够高效处理YOLOv8这类复杂的视觉模型。
·全流程开发支持：迅为提供了从硬件驱动、系统构建到AI部署的完整资料包。本文使用的例程便来自于其丰富的NPU例程测试配套资料，开箱即用，极大降低了开发门槛。
·丰富生态与拓展性：板载丰富的接口（如MIPI-CSI、HDMI、以太网等）和强大的多媒体处理能力，使其不仅能跑通模型，更能轻松集成到真实的视频流采集、分析和显示系统中，完成从原型到产品的快速过渡。
二、实战一：YOLOv8目标检测模型部署
目标检测是计算机视觉的基石任务，用于识别图像中的物体并定位其位置。下面我们开始在RK3588上运行YOLOv8检测模型。
编译好的yolov8例程已经放在了“iTOP-3588开发板\02_【iTOP-RK3588开发板】开发资
料\15_NPU例程测试配套资料\08_rknn_model_zoo测试\16_ yolov8”目录下，如下图所示：
将该文件拷贝到开发板上，并解压，解压完成如下图所示：
然后进入该文件夹，使用以下命令运行可执行文件，实现图片的位置和种类识别，如下图
所示：
export LD_LIBRARY_PATH=./lib
./rknn_yolov8_demo model/yolov8.rknn model/bus.jpg
最后会在当前目录下生成推理完成的图片，如下图所示：
可以看到不同的人以及公交车就被识别了出来，证明模型推理成功。
2.yolov8_seg语义分割
编译好的yolov8_seg例程已经放在了“iTOP-3588开发板\02_【iTOP-RK3588开发板】开发
资料\15_NPU例程测试配套资料\08_rknn_model_zoo测试\17_yolov8_seg”目录下，如下图所
示：
将该文件拷贝到开发板上，并解压，解压完成如下图所示：
然后进入该文件夹，使用以下命令运行可执行文件，实现图片的位置和种类识别，如下图
所示：
export LD_LIBRARY_PATH=./lib
./rknn_yolov8_seg_demo model/yolov8-seg.rknn model/bus.jpg
最后会在当前目录下生成推理完成的图片，如下图所示：
可以看到不同的人以及公交车就被分割了出来，证明模型推理成功。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。