m0_62919535的博客

RK3588是瑞芯微（Rockchip）公司推出的一款高性能、低功耗的集成电路芯片。它采用了先进的28纳米工艺技术，并配备了八核心的ARM Cortex-A76和Cortex-A55处理器，以及ARM Mali-G76 GPU。该芯片支持多种接口和功能，适用于广泛的应用领域。本篇为yolov5部署在RK3588的教程。接着将训练好的best.pt放在工程文件夹下，使用yolov5工程中的export.py将其转换为onnx模型。

yolov2是在yolov1的基础上进行改进的，主要解决了yolov1定位不准确以及检测重叠的物体极差的情况，总的来说，它有以下改进：BN层取代了Dropout，使用了高分辨率分类器，K-means选定先验框的尺寸，网络结构—darknet19，细粒度的特征

yolo3的Pytorch实现，yolov3采用的主干网络是darknet53，借鉴了yolov2中的网络darknet19结构，相较于后者，前者加入了大量的残差模块，并且使用了步长为2，卷积核大小为3×3卷积层Conv2D替代池化层Maxpooling2D，在imagenet上分类测试上，darknet53在保证准确率的同时极大地提升了网络的运行速度，证明了darknet53在特征提取能力上的有效性。

YOLOv1是一种经典的目标检测算法，通过在单个神经网络中同时进行目标检测和分类，具有实时性和高效性的特点。该算法将图像分割为较小的网格，并为每个网格预测多个边界框和类别概率。YOLOv1也存在一些缺陷，每个网格只能预测2个边界框和1个类别，限制了对相近目标的检测数量，尤其是小物体。其次，模型的泛化能力有限，难以适应不寻常的长宽比或配置。此外，损失函数设计不够合理，特别是对于定位误差和小物体的处理。尽管存在这些局限性，YOLOv1打开了目标检测领域的大门，为后续改进算法如YOLOv2和YOLOv3奠定了基础