admin管理员组文章数量:1130349
作为一名嵌入式 AI 爱好者，我最近在网心云 OEC-Turbo（芯片为 RK3566）上成功部署了 YOLO11 目标检测模型。这款设备性能不错，内置 NPU 支持硬件加速，但部署过程涉及模型转换、交叉编译等步骤，稍有不慎就容易出错。本文基于 Rockchip 官方的 rknn-toolkit2 和 rknn_model_zoo 仓库，详细记录了从环境准备到运行的全过程。如果你是初学者，这篇教程会帮你避坑。如果你的板子已经刷了 Armbian 系统（基于 Ubuntu 24.04），那就更好了——我的环境正是如此。
注意：本教程基于 2025 年 9 月的最新版本（rknn-toolkit2 v2.3.2）。如果版本更新，请参考官方 GitHub（https://github/airockchip/rknn-toolkit2 和 https://github/airockchip/rknn_model_zoo）。整个过程在 Windows 11 的 WSL（Ubuntu 24.04）上进行交叉编译，然后将编译好的文件传输到 OEC-Turbo 运行。
1. 硬件和软件要求
- 硬件：网心云 OEC-Turbo（RK3566 芯片），已刷 Armbian 系统（内核 6.1.x，GLIBC 2.39）。
- 开发机：Windows 11 + WSL（Ubuntu 24.04），或 Linux PC。确保 WSL 有足够内存（至少 8GB）。
- 软件依赖：
- Python 3.10（推荐，使用 Miniconda 安装）。
- GCC 交叉编译工具链（GCC 12.2 for aarch64）。
- rknn-toolkit2（v2.3.2）。
- ONNX 库（v1.12.0，兼容性关键）。
- 其他：CMake, Git, OpenCV 等。
OEC-Turbo 的 NPU 支持 FP16/INT8 量化，YOLO11 的 FPS 可达 20-77（根据模型大小，参考官方 benchmark）。
2. 环境准备
2.1 开发机（WSL）环境配置
-
安装 Miniconda 和 Python 3.10：
- 下载 Miniconda：
wget https://repo.anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh - 安装：
bash Miniconda3-latest-Linux-x86_64.sh - 创建虚拟环境：
conda create -n rk3566 python=3.10 - 激活：
conda activate rk3566
- 下载 Miniconda：
-
安装依赖：
sudo apt update sudo apt install cmake build-essential git libopencv-dev protobuf-compiler libprotobuf-dev libstdc++-12-dev conda install numpy opencv -
克隆仓库：
cd /mnt/d # 或你的工作目录，避免 Windows 文件系统问题，最好移到 ~/ git clone https://github/airockchip/rknn-toolkit2.git git clone https://github/airockchip/rknn_model_zoo.git -
安装 rknn-toolkit2：
- 进入仓库：
cd rknn-toolkit2-master\rknn-toolkit2\packages\x86_64 pip install rknn_toolkit2-2.3.2-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl（安装 rknn-toolkit2 包）。
- 进入仓库：
-
修复常见问题：rknn-toolkit2 v2.3.2 依赖旧版 ONNX（包含
onnx.mapping）。如果报AttributeError: module 'onnx' has no attribute 'mapping'：pip uninstall onnx pip install onnx==1.12.0如果安装失败，尝试下载 wheel 文件（从 https://pypi/project/onnx/1.12.0/ 下载 cp310-manylinux_x86_64.whl）：
wget https://files.pythonhosted/packages/.../onnx-1.12.0-cp310-cp310-manylinux_2_17_x86_64.whl pip install onnx-1.12.0-cp310-cp310-manylinux_2_17_x86_64.whl
2.2 下载 GCC 交叉编译工具链到开发机（WSL）
OEC-Turbo 系统 GLIBC 2.39，支持 GCC 12.2：
- 下载：
wget https://developer.arm/-/media/Files/downloads/gnu/12.2.rel1/binrel/arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu.tar.xz - 解压：
tar -xvf arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu.tar.xz - 移动：
sudo mv arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu /opt/gcc-arm/ - 验证：
/opt/gcc-arm/arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu/bin/aarch64-none-linux-gnu-gcc --version（应显示 12.2）。
2.3 OEC-Turbo 板子上的准备
- 确保 NPU 驱动加载：
lsmod | grep rknpu（如果没有，参考 Rockchip 官网安装 RKNPU 驱动）。 - 安装依赖：
sudo apt install libopencv4.5-dev libstdc++6。
3. 在 开发机（WSL）上进行模型转换（ONNX to RKNN）
YOLO11 模型从 rknn_model_zoo 导出，支持 n/s/m 变体（yolo11n.onnx 等）。
-
下载或导出 ONNX 模型：
- 从 rknn_model_zoo/examples/yolo11/model中运行提供的download_model.sh下载 yolo11n.onnx（或从 https://console.zbox.filez/l/8ufwtG 下载，key: rknn）。
- 或者从 Ultralytics 导出：安装
ultralytics，yolo export model=yolo11n.pt format=onnx opset=13。
-
转换生成RKNN模型：
- 进入目录：
cd rknn_model_zoo/examples/yolo11/python - 修改 convert.py（如果需要自定义输入/输出）。
- 运行：
python convert.py ../model/yolo11n.onnx rk3566 - 输出：生成 yolo11n.rknn 文件。
- 如果报错，确认 ONNX 版本：
python -c "import onnx; print(onnx.__version__)"（应为 1.12.0）。
- 进入目录：
4. 在开发机（WSL）上编译 Demo
-
修复仓库问题（如果存在软链接错误，一般不需要）：
cd rknn-toolkit2/rknpu2/examples/3rdparty/mpp/Linux/aarch64rm librockchip_mpp.so librockchip_mpp.so.1cp librockchip_mpp.so.0 librockchip_mpp.socp librockchip_mpp.so.0 librockchip_mpp.so.1
-
编译 YOLO11 Demo：
- 进入：
cd rknn_model_zoo - 执行：
./build-linux.sh -t rk3566 -a aarch64 -d yolo11-t rk3566：目标芯片（rk356x 代表 RK3566/3568）。-a aarch64：架构。- GCC_COMPILER 路径：确保脚本中指向
/opt/gcc-arm/.../aarch64-none-linux-gnu-
- 输出：在 install/yolo11_Linux 目录下生成可执行文件、lib 和模型。
- 进入：
5. 传输和运行
-
传输到 OEC-Turbo：
- 假设板子 IP 为 192.168.1.100：
scp -r rknn_model_zoo/examples/yolo11/c/install/yolo11_Linux root@192.168.1.100:/root/
- 假设板子 IP 为 192.168.1.100：
-
在板子上运行：
- SSH 登录板子：
ssh root@192.168.1.100 - 进入目录：
cd /root/yolo11_Linux - 运行：
LD_LIBRARY_PATH=./lib ./yolo11 model/yolo11n.rknn model/bus.jpg（替换为你的模型和图片）。 - 输出：生成 out.jpg（检测结果），查看 FPS 和检测框。
- SSH 登录板子：
-
性能测试：
- 使用 rknn_benchmark：编译类似步骤，运行
LD_LIBRARY_PATH=./lib ./rknn_benchmark model/yolo11n.rknn model/bus.jpg。 - 预期 FPS：YOLO11n INT8 约 34 FPS（单核）。
- 使用 rknn_benchmark：编译类似步骤，运行
6. 常见问题排查
- GLIBC 版本错误：用 GCC 12.2 重新编译。
- ONNX mapping 错误：确认 ONNX 1.12.0，卸载重装。
- Protobuf 错误：确保
protoc --version为 3.20.x 或 3.21.x，安装libprotobuf-dev。 - 链接错误 (R_X86_64_TPOFF32)：用动态 Protobuf 库，安装 wheel 文件。
- NPU 未加载：检查
dmesg | grep rknpu，重启或安装驱动。 - 权限问题：在 WSL 用 sudo，在板子用 chmod。
- 模型不支持：YOLO11 支持 RK3566，但某些算子需量化（INT8 更快）。
如果运行时 FPS 低，检查 NPU 频率（cat /sys/kernel/debug/rknpu/load）或用 INT8 量化。
结语
通过这个教程，可以在 OEC-Turbo 上轻松运行 YOLO11，实现实时目标检测。整个过程强调兼容性，尤其是 ONNX 版本。如果有问题，欢迎评论！
参考链接：
- Rockchip RKNN Toolkit2: https://github/airockchip/rknn-toolkit2
- RKNN Model Zoo: https://github/airockchip/rknn_model_zoo
- https://wwwblogs/milton/p/18907603
作为一名嵌入式 AI 爱好者，我最近在网心云 OEC-Turbo（芯片为 RK3566）上成功部署了 YOLO11 目标检测模型。这款设备性能不错，内置 NPU 支持硬件加速，但部署过程涉及模型转换、交叉编译等步骤，稍有不慎就容易出错。本文基于 Rockchip 官方的 rknn-toolkit2 和 rknn_model_zoo 仓库，详细记录了从环境准备到运行的全过程。如果你是初学者，这篇教程会帮你避坑。如果你的板子已经刷了 Armbian 系统（基于 Ubuntu 24.04），那就更好了——我的环境正是如此。
注意：本教程基于 2025 年 9 月的最新版本（rknn-toolkit2 v2.3.2）。如果版本更新，请参考官方 GitHub（https://github/airockchip/rknn-toolkit2 和 https://github/airockchip/rknn_model_zoo）。整个过程在 Windows 11 的 WSL（Ubuntu 24.04）上进行交叉编译，然后将编译好的文件传输到 OEC-Turbo 运行。
1. 硬件和软件要求
- 硬件：网心云 OEC-Turbo（RK3566 芯片），已刷 Armbian 系统（内核 6.1.x，GLIBC 2.39）。
- 开发机：Windows 11 + WSL（Ubuntu 24.04），或 Linux PC。确保 WSL 有足够内存（至少 8GB）。
- 软件依赖：
- Python 3.10（推荐，使用 Miniconda 安装）。
- GCC 交叉编译工具链（GCC 12.2 for aarch64）。
- rknn-toolkit2（v2.3.2）。
- ONNX 库（v1.12.0，兼容性关键）。
- 其他：CMake, Git, OpenCV 等。
OEC-Turbo 的 NPU 支持 FP16/INT8 量化，YOLO11 的 FPS 可达 20-77（根据模型大小，参考官方 benchmark）。
2. 环境准备
2.1 开发机（WSL）环境配置
-
安装 Miniconda 和 Python 3.10：
- 下载 Miniconda：
wget https://repo.anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh - 安装：
bash Miniconda3-latest-Linux-x86_64.sh - 创建虚拟环境：
conda create -n rk3566 python=3.10 - 激活：
conda activate rk3566
- 下载 Miniconda：
-
安装依赖：
sudo apt update sudo apt install cmake build-essential git libopencv-dev protobuf-compiler libprotobuf-dev libstdc++-12-dev conda install numpy opencv -
克隆仓库：
cd /mnt/d # 或你的工作目录，避免 Windows 文件系统问题，最好移到 ~/ git clone https://github/airockchip/rknn-toolkit2.git git clone https://github/airockchip/rknn_model_zoo.git -
安装 rknn-toolkit2：
- 进入仓库：
cd rknn-toolkit2-master\rknn-toolkit2\packages\x86_64 pip install rknn_toolkit2-2.3.2-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl（安装 rknn-toolkit2 包）。
- 进入仓库：
-
修复常见问题：rknn-toolkit2 v2.3.2 依赖旧版 ONNX（包含
onnx.mapping）。如果报AttributeError: module 'onnx' has no attribute 'mapping'：pip uninstall onnx pip install onnx==1.12.0如果安装失败，尝试下载 wheel 文件（从 https://pypi/project/onnx/1.12.0/ 下载 cp310-manylinux_x86_64.whl）：
wget https://files.pythonhosted/packages/.../onnx-1.12.0-cp310-cp310-manylinux_2_17_x86_64.whl pip install onnx-1.12.0-cp310-cp310-manylinux_2_17_x86_64.whl
2.2 下载 GCC 交叉编译工具链到开发机（WSL）
OEC-Turbo 系统 GLIBC 2.39，支持 GCC 12.2：
- 下载：
wget https://developer.arm/-/media/Files/downloads/gnu/12.2.rel1/binrel/arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu.tar.xz - 解压：
tar -xvf arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu.tar.xz - 移动：
sudo mv arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu /opt/gcc-arm/ - 验证：
/opt/gcc-arm/arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu/bin/aarch64-none-linux-gnu-gcc --version（应显示 12.2）。
2.3 OEC-Turbo 板子上的准备
- 确保 NPU 驱动加载：
lsmod | grep rknpu（如果没有，参考 Rockchip 官网安装 RKNPU 驱动）。 - 安装依赖：
sudo apt install libopencv4.5-dev libstdc++6。
3. 在 开发机（WSL）上进行模型转换（ONNX to RKNN）
YOLO11 模型从 rknn_model_zoo 导出，支持 n/s/m 变体（yolo11n.onnx 等）。
-
下载或导出 ONNX 模型：
- 从 rknn_model_zoo/examples/yolo11/model中运行提供的download_model.sh下载 yolo11n.onnx（或从 https://console.zbox.filez/l/8ufwtG 下载，key: rknn）。
- 或者从 Ultralytics 导出：安装
ultralytics，yolo export model=yolo11n.pt format=onnx opset=13。
-
转换生成RKNN模型：
- 进入目录：
cd rknn_model_zoo/examples/yolo11/python - 修改 convert.py（如果需要自定义输入/输出）。
- 运行：
python convert.py ../model/yolo11n.onnx rk3566 - 输出：生成 yolo11n.rknn 文件。
- 如果报错，确认 ONNX 版本：
python -c "import onnx; print(onnx.__version__)"（应为 1.12.0）。
- 进入目录：
4. 在开发机（WSL）上编译 Demo
-
修复仓库问题（如果存在软链接错误，一般不需要）：
cd rknn-toolkit2/rknpu2/examples/3rdparty/mpp/Linux/aarch64rm librockchip_mpp.so librockchip_mpp.so.1cp librockchip_mpp.so.0 librockchip_mpp.socp librockchip_mpp.so.0 librockchip_mpp.so.1
-
编译 YOLO11 Demo：
- 进入：
cd rknn_model_zoo - 执行：
./build-linux.sh -t rk3566 -a aarch64 -d yolo11-t rk3566：目标芯片（rk356x 代表 RK3566/3568）。-a aarch64：架构。- GCC_COMPILER 路径：确保脚本中指向
/opt/gcc-arm/.../aarch64-none-linux-gnu-
- 输出：在 install/yolo11_Linux 目录下生成可执行文件、lib 和模型。
- 进入：
5. 传输和运行
-
传输到 OEC-Turbo：
- 假设板子 IP 为 192.168.1.100：
scp -r rknn_model_zoo/examples/yolo11/c/install/yolo11_Linux root@192.168.1.100:/root/
- 假设板子 IP 为 192.168.1.100：
-
在板子上运行：
- SSH 登录板子：
ssh root@192.168.1.100 - 进入目录：
cd /root/yolo11_Linux - 运行：
LD_LIBRARY_PATH=./lib ./yolo11 model/yolo11n.rknn model/bus.jpg（替换为你的模型和图片）。 - 输出：生成 out.jpg（检测结果），查看 FPS 和检测框。
- SSH 登录板子：
-
性能测试：
- 使用 rknn_benchmark：编译类似步骤，运行
LD_LIBRARY_PATH=./lib ./rknn_benchmark model/yolo11n.rknn model/bus.jpg。 - 预期 FPS：YOLO11n INT8 约 34 FPS（单核）。
- 使用 rknn_benchmark：编译类似步骤，运行
6. 常见问题排查
- GLIBC 版本错误：用 GCC 12.2 重新编译。
- ONNX mapping 错误：确认 ONNX 1.12.0，卸载重装。
- Protobuf 错误：确保
protoc --version为 3.20.x 或 3.21.x，安装libprotobuf-dev。 - 链接错误 (R_X86_64_TPOFF32)：用动态 Protobuf 库，安装 wheel 文件。
- NPU 未加载：检查
dmesg | grep rknpu，重启或安装驱动。 - 权限问题：在 WSL 用 sudo，在板子用 chmod。
- 模型不支持：YOLO11 支持 RK3566，但某些算子需量化（INT8 更快）。
如果运行时 FPS 低，检查 NPU 频率（cat /sys/kernel/debug/rknpu/load）或用 INT8 量化。
结语
通过这个教程，可以在 OEC-Turbo 上轻松运行 YOLO11，实现实时目标检测。整个过程强调兼容性，尤其是 ONNX 版本。如果有问题，欢迎评论！
参考链接：
- Rockchip RKNN Toolkit2: https://github/airockchip/rknn-toolkit2
- RKNN Model Zoo: https://github/airockchip/rknn_model_zoo
- https://wwwblogs/milton/p/18907603
版权声明：本文标题：【OEC-Turbo】网心云 OEC-Turbo 上运行 YOLO11 的完整教程 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1763552476a2942639.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论