首页 / 人工智能 / RV1126 yolov8训练部署教程

RV1126 yolov8训练部署教程

baidu09_com 2025-08-27 6 0

拜读维拉科技关于机器人相关信息的综合整理，涵盖企业排名、产品类型及资本市场动态：一、中国十大机器人公司（综合类）‌优必选UBTECH）‌聚焦人工智能与人形机器人研发，产品覆盖教育、娱乐及服务领域，技术处于行业前沿‌。RV1126 yolov8训练部署教程机器人‌中科院旗下企业，工业机器人全品类覆盖，是国产智能工厂解决方案的核心供应商‌。埃斯顿自动化‌国产工业机器人龙头，实现控制器、伺服系统、本体一体化自研，加速替代外资品牌‌。遨博机器人（AUBO）协作机器人领域领先者，主打轻量化设计，适用于3C装配、教育等柔性场景‌。埃夫特智能‌国产工业机器人上市第一股，与意大利COMAU深度合作，产品稳定性突出‌。二、细分领域机器人产品‌智能陪伴机器人‌Gowild公子小白‌：情感社交机器人，主打家庭陪伴功能‌。CANBOT爱乐优‌：专注0-12岁儿童心智发育型亲子机器人‌。仿真人机器人目前市场以服务型机器人为主，如家庭保姆机器人（售价10万-16万区间）‌，但高仿真人形机器人仍处研发阶段。水下机器人‌工业级产品多用于深海探测、管道巡检，消费级产品尚未普及。RV1126 yolov8训练部署教程资本市场动态‌机器人概念股龙头‌双林股份‌：特斯拉Optimus关节模组核心供应商，订单排至2026年‌。中大力德‌：国产减速器龙头，谐波减速器市占率30%‌。金力永磁‌：稀土永磁材料供应商，受益于机器人电机需求增长‌。行业趋势‌2025年人形机器人赛道融资活跃，但面临商业化落地争议，头部企业加速并购整合‌。四、其他相关机器人视频资源‌：可通过专业科技平台或企业官网（如优必选、新松）获取技术演示与应用案例。价格区间‌：服务型机器人（如保姆机器人）普遍在10万-16万元，男性机器人13万售价属高端定制产品‌。

YOLOv8 是 ultralycs 公司在 2023 年 1月 10 号开源的基于YOLOV5进行更新的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务，鉴于Yolov5的良好表现，Yolov8在还没有开源时就收到了用户的广泛关注。其主要结构如下图所示：

本针对目标检测yolov8的训练和部署到EASY-E-Nano(RV1126)进行说明，而数据标注方法可以参考我们往期的文章。

（图片来源网络，侵删）

通过git工具，在PC端克隆远程仓库（注：此处可能会因网络原因造成卡顿，请耐心等待），修改过算子后的yolov8仓库: https://github.com/ai/ultralytics_yolov8

（图片来源网络，侵删）

onnx模型需要转换为rknn模型才能在EASY-EAI-Nano运行，所以需要先搭建rknn-toolkit模型转换工具的环境。当然、nsroflow lite、caffe、darknet等也是通过类似的方法进行模型转换，只是本教程onnx为例。

模型转换环境搭建流程如下所示：

为了保证模型转换工具顺利运行，请下载网盘里”AI算法开发/RKNN-Toolkit模型转换工具/rknn-toolkit-v1.7.3/docker/rknn-toolkit-1.7.3-docker.tar.gz”。

把下载完成的docker镜像移到我司的虚拟机ubuntu20.04的rknn-toolkit目录,如下图所示：

在该目录打开终端：

执行以下指令加载模型转换工具docker镜像:

docker lo --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.3-docker.tar.gz

执行以下指令进入镜像bash环境:

docker run -t -i --privileged -v /dev/bus/:/dev/bus/usb rknn-toolkit:1.7.3 /bin/bash

现象如下图所示:

输入“”加载python相关库，尝试加载rknn库，如下图环境测试成功:

至此，模型转换工具环境搭建完成。

EASY EAI Nano支持.rknn后缀的模型的评估及运行，对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型，而对于其他框架训练出来的模型，也可以先将其转至 onnx 模型再转换为 rknn 模型。模型转换操作流程入下图所示：

把 yolov8_model_convert.tar.bz2和quant_dataset.zip解压到虚拟机，如下图所示:

执行以下指令把工作区域映射进docker镜像，其中/home/developer/rknn-toolkit/model_convert为工作区域，/test为映射到docker镜像，/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像：

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit/model_convert:/test rknn-toolkit:1.7.3 /bin/bash

执行成功如下图所示:

模型转换测试Demo由yolov8_model_convert和quant_dataset组成。Yolov8_model_convert存放软件脚本，quant_dataset存放量化模型所需的数据。如下图所示:

Yolov8_model_convert文件夹存放以下内容，如下图所示：

在docker环境切换到模型转换工作目录:

cd /test/yolov8_model_convert

如下图所示:

执行gen_list.py生成量化图片列表:

python gen_list.py

命令行现象如下图所示:

生成“量化图片列表”如下文件夹所示:

rknn_convert.py脚本默认进行int8量化操作，脚本代码清单如下所示：

import sys import os import urllib import treback import time import sys import numpy as np import cv2 from rknn.a import RKNN ONNX_MODEL = yolov8m.onnx RKNN_MODEL = ./yolov8m_rv1126.rknn DATASET = ./pic_path.txt QUANTIZE_ON = True PRECOMILE_ON = True if __name__ == __main__: # Create RKNN object rknn = RKNN(verbose=True) if not os.path.exists(ONNX_MODEL): print(model not exist) exit(-1) # pre-process config print(--> Config model) rknn.config(reorder_channel=0 1 2, mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], optimization_level=3, target_platform = rv1126, output_optimize=1, quantize_input_node=QUANTIZE_ON) print(done) # Load ONNX model print(--> Long model) ret = rknn.load_onnx(model=ONNX_MODEL) if ret != 0: print(Load yolov5 fai!) exit(ret) print(done) # Build model print(--> Building model) ret = rknn.build(pre_compile=PRECOMILE_ON, do_quantization=QUANTIZE_ON, dataset=DATASET) if ret != 0: print(Build yolov5 failed!) exit(ret) print(done) # Export RKNN model print(--> Export RKNN model) ret = rknn.export_rknn(RKNN_MODEL) if ret != 0: print(Export yolov5rknn failed!) exit(ret) print(done)

把onnx模型yolov8m_rv1126.onnx放到yolov8_model_convert目录(后续用户使用自己的模型的时候，替换掉对应的onnx即可)，并执行rknn_convert.py脚本进行模型转换：

python rknn_convert.py

生成模型如下图所示，此模型可以在EASY EAI Nano环境运行：

本小节展示yolov8模型的在EASY EAI Nano的部署过程，该模型仅经过简单训练供示例使用，不保证模型精度。

如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。

在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。

cd ~/develop_environment ./run.sh

下载yolov8 C Demo示例文件。

下载程序包移至ubuntu环境后，执行以下指令解压：

tar -xvf yolov8_detect_C_demo.tar.bz2

下载解压后如下图所示:

在EASY-EAI编译环境下，切换到例程目录执行编译操作：