在国产芯片上实现YOLOv5/v8图像AI识别-【2.4】导出RKNN模型（第二部分：模型量化）更多内容见视频

本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。

B站配套视频：https://www.bilibili.com/video/BV1or421T74f

前情提要

我们在上一篇博客我们已经导出了修改后的onnx模型，这篇博客会说明怎么导出RKNN。

模型转换

首先我们需要在我们日常使用的主机上安装docker，此处就不过多说明了，然后安装官方的rknn-toolkit2的docker镜像。

加载离线镜像文件，这个文件可以问卖家要。

docker load -i ./rknn-toolkit2.tar.gz 
docker run  -it --name rknn_toolkit2 -v $(pwd):/app rknn-toolkit2:xxxx

我们采用vscode使用远程开发进入docker环境，然后执行官方的转换脚本yolov5_convert.py。此处我们重点说一下几个配置。

对于关键参数的说明：

ONNX_MODEL : 模型路径
RKNN_MODEL ：模型输出路径
IMG_PATH ： 此时图片
DATASET：量化图片集，这是一个txt文件，里面的内容是量化图片集的项目目录，我们可以使用ls ./img/*.jpg | shuf -n 100 > datasets.txt将img中的目录输入到这个文件中。
QUANTIZE_ON ： 是否启动量化，对于v5版本必须量化，非量化版本存在问题。
OBJ_THRESH ：置信度
NMS_THRESH ：极大值抑制
IMG_SIZE ：图片大小
CLASSES ：识别的类别

我们看一下导出后的rknn，将这个文件放到之前的代码中我们就可以在3588上运行自己的模型了。