yolov10 瑞芯微RKNN、地平线Horizon芯片部署、TensorRT部署，部署工程难度小、模型推理速度快

  特别说明：参考官方开源的yolov10代码、瑞芯微官方文档、地平线的官方文档，如有侵权告知删，谢谢。

  模型和完整仿真测试代码，放在github上参考链接 模型和代码。

  yolov8、v9还没玩热乎，这不yolov10又来了，那么部署也又来了。

1 模型和训练

  老规矩，训练代码参考官方开源的yolov10代码。

2 导出 yolov10 onnx

   导出onnx增加以下几行代码：

        # 导出onnx增加
        y = []
        for i in range(self.nl):
            t1 = self.one2one_cv2[i](x[i])
            t2 = self.one2one_cv3[i](x[i])
            y.append(t1)
            y.append(t2)
        return y

增加保存onnx代码：

        print("===========  onnx =========== ")
        import torch
        self.model = self.model.fuse()
        dummy_input = torch.randn(1, 3, 640, 640)
        input_names = ["data"]
        output_names = ["reg1", "cls1", "reg2", "cls2", "reg3", "cls3"]
        torch.onnx.export(self.model, dummy_input, "./weights/yolov10_zq.onnx", verbose=False, input_names=input_names, output_names=output_names, opset_version=11)
        print("======================== convert onnx Finished! .... ")

  修改完以上两个地方，运行推理脚本（运行会报错，但不影响onnx文件的生成）。

from ultralytics import YOLOv10

# 推理
model = YOLOv10(r'./weigths/yolov10n.pt')
results = model(task='detect', mode='predict', source='./test.jpg', line_width=3, show=True, save=True, device='cpu')

增加这一行后，对其中C2fCIB模块进行重参数化（这也是文章中一个点）

重参数化前后模型的变化

3 yolov10 onnx 测试效果

pytorch效果

onnx效果

4 时耗

模型输入640x640，检测类别80类

tensorRT 时耗（显卡 Tesla V100、cuda_11.0）

rk3588时耗

本示例用的是yolov10n，模型计算量6.7G，看到这个时耗觉得可能是有操作切换到CPU上进行计算的，查了rknn转换模型日志确实是有操作切换到CPU上进行的，对应的是模型中 PSA 模块计算 Attention 这部分操作。

5 rknn 板端C++部署

  C++完整部署代码和模型示例参考