openRv1126 AI算法部署实战之——YOLO实时目标识别实战

已于 2025-01-30 23:01:44 修改
阅读量616 收藏 1
点赞数 1
分类专栏： openRv1126开发板 AI算法部署实战（连载） 文章标签： AI
于 2025-01-30 10:09:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yichu5074/article/details/145397691
版权

在RV1126开发板上部署YOLO算法，实时目标检测+RTSP传输。视频演示地址

rv1126 yolov5 实时目标检测 rtsp传输_哔哩哔哩_bilibili

一、准备工作

1.从官网下载YOLOv5-v7.0工程（YOLOv5的第7个版本）

手动在线下载： Releases · ultralytics/yolov5 · GitHub

手动在线下载地址： https://github.com/ultralytics/yolov5/releases

往下拉找到yolov5s.pt和source code(tar.gz)并下载

在虚拟机中新建1个文件夹yolo，将上面下载的yolov5-7.0.tar.gz工程拷贝到虚拟机并解压，

得到/home/rv1126/yolo/yolov5-7.0文件夹

然后将yolov5s.pt拷贝至解压后的yolov5-7.0目录

2.YOLO初体验—ubuntu下跑YOLO预训

最低0.47元/天 解锁文章
瑞芯微RV1126部署YOLOv Face模型转换和输出后处理C++实现
QromMatlab的博客
09-22 652
本文介绍了如何在瑞芯微RV1126芯片上部署YOLOv Face模型，并提供了相应的C++代码实现模型转换、推理和输出后处理的过程。通过按照这些步骤操作，您可以在RV1126芯片上快速部署和运行YOLOv Face模型，实现人脸检测和识别的功能。YOLOv Face是一种用于人脸检测和识别的目标检测模型，而瑞芯微RV1126是一款搭载了先进的人工智能推理能力的芯片。下面是一个完整的C++示例代码，展示了如何在RV1126芯片上部署YOLOv Face模型，并执行模型转换、推理和输出后处理的过程。
openRv1126 AI算法部署实战之——Pytorch模型部署实战
最新发布
01-30 1025
在RV1126开发板上部署Pytorch算法，实时目标检测+RTSP传输。视频演示地址。
yolov5-5.0训练模型+瑞芯微rv1126上实现模型部署
weixin_54760226的博客
09-08 8865
  第一次接触模型训练和RKNN开发板部署，过程曲折，从开始的一脸懵到最后模型部署成功，查阅了不少资料和学习了不少大佬的经验，在这里记录一下过程和心得。
瑞芯微RV1126/1109开发流程之yolov5部署(c++版本)
xidaoliang的博客
05-11 8231
1、ubuntu上安装rv1126交叉编译工具链 方式一： （1）下载交叉编译工具 交叉编译器概念：交叉编译器可以使我们在主机上编译出可以在嵌入式设备上运行的程序 下载地址：Downloads | GNU-A Downloads – Arm Developer （2）下载后解压，解压命令 xz -d gcc-arm-8.3-2019.03-x86_64-arm-linux-gnueabihf.tar.xz tar -xvf gcc-arm-8.3-2019.03-x86_64-arm...
基于RV1126平台检测模型全流程部署（附工程）
留缘的博客
05-15 3171
可以看出最终导出的模型推理结果包括三个尺度，即原图下采样8倍、16倍、32倍将其进行汇总concat得到最终的结果，得到25200个结果，维度6是由：中心点x、y、宽高w、h、是否含有目标、以及目标是口罩的概率。，比较奇怪的是我这里的rga并没有快很多，有机会再仔细研究吧。修改export.py里的模型路径和推理的图片大小，图片大小一定要是32的整数倍，我这里使用的是640x640的图片大小。最值得注意的就是后处理部分，这部分需要非常熟悉yolo的检测原理，同时使用cpp进行部署的时候也要进行相同的操作。
Rv1126使用，仿真yolov3和板端运行yolov5.pdf
08-26
rv1126linux环境配置和PC端仿真yolov3，板端运行yolov5.
[智能AI摄像头]RV1126部署yolov5并加速
嵌入式人工智能相关
05-15 1314
[AI智能摄像头]RV1126部署yolov5并加速
【详细记录】rv1126 跑通 yolov5
weixin_45824067的博客
08-02 4230
在前面，已经将 onnx模型转为 rknn模型。这里探讨的是：rknn模型在rv1126开发板上运行。
yolov5部署在瑞星微1126开发板（末尾彩蛋）
m0_60524373的博客
10-13 6838
yolov5移植到开发板
训练自己的yolov5样本, 并部署到rv1126 ＜一＞
zunly的博客
10-30 4104
训练自己数据集的yolov5模型权重
RV1126_EVB_usb调试接口使用方法.pdf
01-29
关于RV1126/RV1109 问得最多的，整理成文档呈现给各位~
openRv1126 AI算法部署实战之——ONNX模型部署实战
01-30 1257
在RV1126开发板上部署ONNX算法，实时目标检测+RTSP传输。视频演示地址。
RV1126 部署自己训练的yolov8
08-09 954
如果不用这个方式，outputs会是一个，导致后面的无法正常使用。RK的GIT上相关的问题，都没人回答，这是一个坑，被我踩了一次。cd到toolkit的examples->common_function_demos->export_rknn_precompile_model文件夹下，将刚刚得到的best.rknn模型拷贝进去。采用rknn_toolkit-1.7.5-cp38-cp38-linux_x86_64.whl。进入rknn_model_zoo/example/yolov8/python。
【大体思路】rv1126 跑通 yolov5
weixin_45824067的博客
09-30 1220
目标：yolov5_coco_rv1126.rknn ---> yolov5_coco_rv1126_pre.rknn。yolov5_detet_demo C++ 代码 ---> yolov5_detect_demo 可执行文件。目标：yolov5_coco.onnx ---> yolov5_coco_rv1126.rknn。1、加载docker镜像，rknn-toolkit-1.7.3-docker.tar.gz。4、模型转换，内存够大 【rknn_convert.py】3、将编译结果复制到板卡上。
RV1126上运行yolov3及推理性能
glory的博客
08-18 1671
yolov3的c编译demo可以找官方拿到，改下编译器路径。生成rknn_yolo_demo可执行程序 http://t.rock-chips.com/forum.php?mod=viewthread&tid=184&highlight=%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD 可以在该论坛下拿到yolov3的模型转换脚本。 注意：要登陆才能查看和下载。 将rknn_yolo_demo和dog_416x416，yolov3_rknn.rknn，push
RV1126板子上跑YOLOV5目标检测模型
weixin_42917324的博客
10-10 878
项目的一部分，在板子上成功跑通检测模型。
Rockchip RV1126 模型部署（完整部署流程）
热门推荐
DAOCHI
03-16 1万+
YOLO-V5在RV1126部署全流程（环境配置，模型转换，C++模型推理，芯片运行），验证有效。
训练自己的yolov5样本, 并部署到rv1126 ＜三＞
zunly的博客
11-21 3976
把训练好的yolo torch模型, 转成rknn模型, 部署到rv1126
sap Tracker
12-29
### SAP 问题跟踪工具或功能 SAP Solution Manager 提供了一套全面的功能来支持项目的整个生命周期管理，不仅限于实施阶段，在日常运营中也扮演着重要的角色[^1]。对于问题跟踪（Issue Tracking），SAP Solution Manager 配备有专门模块用于管理和监控生产环境中的事件和服务请求。 #### 使用场景和技术细节 - **事件管理**：允许用户记录并处理来自不同渠道的问题报告，确保所有异常都能得到及时响应和解决。 - **服务请求管理**：提供了一个结构化的流程来接收、分类和支持请求，从而提高工作效率和服务质量。 这些特性共同构成了强大的问题追踪机制，有助于企业快速识别并修复系统中存在的缺陷，保障业务连续性和稳定性。此外，通过集成其他第三方应用程序接口(API)，还可以进一步扩展其能力范围，满足特定行业的特殊需求。 ```python # 示例代码展示如何调用API获取问题列表 import requests def fetch_issues(api_url, auth_token): headers = { 'Authorization': f'Bearer {auth_token}', 'Content-Type': 'application/json' } response = requests.get(f'{api_url}/issues', headers=headers) issues = response.json() return issues ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值