# YOLO板端部署目标检测 ***Copyright © Quectel Wireless Solutions Co., Ltd. 2026. All rights reserved.*** --- # YOLO 是什么 **YOLO**（You Only Look Once，只看一眼）是一种基于深度卷积神经网络（CNN）的 **实时目标检测算法**，2016 年由 Joseph Redmon 等人提出，开创了"单阶段（one-stage）"目标检测的先河。 传统目标检测算法（如 R-CNN 系列）分两步：先"找候选区域"，再"对每个区域分类"，速度慢。而 YOLO 的核心思想是：把整张图片一次性送入网络，在 **一次前向推理** 中同时输出： - 图像中每个目标的 **类别**（如 person、bus、car…） - 每个目标的 **边框位置**（bounding box） - 每个目标属于该类别的 **置信度**（confidence） # 准备工作 ## 硬件 - **Quectel PI M2** 开发板（RK3576，板载 6 TOPS NPU） - USB 数据线连接 PC（ADB 调试） ## 板载资源（无需额外下载） M2 板 Debian 系统已预置以下资源，开箱即用： | **资源** | **路径** | | --- | --- | | NPU 推理运行时 | /usr/lib/librknnrt.so（v2.3.2） | | YOLOv5 检测程序 | /usr/bin/rknn_yolov5_demo | | YOLOv5s 模型（COCO 80 类） | /usr/share/model/yolov5/RK3576/yolov5s-640-640.rknn | | 类别标签文件 | /usr/share/model/yolov5/model/coco_80_labels_list.txt | | 测试图片 | /usr/share/model/yolov5/model/bus.jpg | ## 连接开发板 ```bash adb devices # 确认设备已连接（显示 device 状态） ``` # 单张图片检测（一步一步来） ## 第 1 步：准备测试图片 板载已有一张 COCO 标准测试图 `bus.jpg`（公交车+行人场景）： ```bash adb shell "ls /usr/share/model/yolov5/model/bus.jpg" ``` ## 第 2 步：执行检测 ```bash # 进入模型目录（demo 需要在此目录找到 model/coco_80_labels_list.txt） adb shell "cd /usr/share/model/yolov5 && rknn_yolov5_demo \ /usr/share/model/yolov5/RK3576/yolov5s-640-640.rknn \ model/bus.jpg resize /tmp/bus_detected.jpg" ``` 参数说明： | **参数** | **说明** | | --- | --- | | 第 1 个 | RKNN 模型路径 | | 第 2 个 | 输入图片路径 | | 第 3 个 | 缩放方式：`resize`（拉伸）或 `letterbox`（等比留边） | | 第 4 个 | 输出图片路径 | ## 第 3 步：查看结果 ```bash adb shell "ls -la /tmp/bus_detected.jpg" # 确认检测结果文件生成 adb pull /tmp/bus_detected.jpg ./ # 拉回 PC 查看 ``` ## 运行输出 ```plaintext post process config: box_conf_threshold = 0.25, nms_threshold = 0.45 sdk version: 2.3.2 (429f97ae6b@2025-04-09T09:09:27) driver version: 0.9.8 model input height=640, width=640, channel=3 Read model/bus.jpg ... once run use 24.300000 ms person @ (209 243 286 510) 0.879723 person @ (479 238 560 526) 0.870588 person @ (109 237 232 534) 0.828112 bus @ (93 129 553 464) 0.700761 person @ (79 353 122 517) 0.307297 save detect result to /tmp/bus_detected.jpg loop count = 10 , average run 19.313700 ms ``` 可以看到：**识别出 4 个 person 和 1 个 bus**，单帧推理约 **19ms**（约 50 FPS）。 ## 检测效果 测试原图： ```{image} images/image_KP5ybcVc5oimuhxDBbuceMq9n5d.webp :width: 640px :height: 640px ``` NPU 检测结果（蓝框标注目标位置与类别）： ```{image} images/image_Vz4rbxL88oNpHLxw0eccJ7QAnJe.webp :width: 640px :height: 640px ``` # 检测自己的图片 ```bash # 1. 把图片推送到板子 adb push my_photo.jpg /tmp/ # 2. 执行检测（注意要在模型目录运行） adb shell "cd /usr/share/model/yolov5 && rknn_yolov5_demo \ /usr/share/model/yolov5/RK3576/yolov5s-640-640.rknn \ /tmp/my_photo.jpg resize /tmp/my_photo_detected.jpg" # 3. 拉回结果查看 adb pull /tmp/my_photo_detected.jpg ./ ``` > 提示：若图片不是 640x640，demo 会自动缩放；`resize` 会拉伸变形，`letterbox` 保持宽高比（推荐）。 # 视频检测 视频检测流程：**视频抽帧 → 每帧 NPU 推理 → 合成带检测框的视频**。 ## 环境准备（宿主机） ```bash # PC 端需要 ffmpeg 做抽帧与合成 sudo apt install ffmpeg ``` ## 操作步骤 ```bash # 1. 推送视频到板子 adb push video.mp4 /tmp/input.mp4 # 2. 板端抽帧（用 MPP 硬解，速度极快） adb shell "mkdir -p /tmp/frames && cd /tmp/frames && \ gst-launch-1.0 filesrc location=/tmp/input.mp4 ! qtdemux ! h264parse ! \ mppvideodec ! videoconvert ! video/x-raw,format=RGB ! \ jpegenc ! multifilesink location=frame_%06d.jpg" # 3. 板端逐帧 NPU 检测 # 对每帧执行 rknn_yolov5_demo，生成带框帧（可写脚本循环） # 4. 拉回带框帧，宿主机合成视频（25fps） cat frame_*.jpg | ffmpeg -f image2pipe -framerate 25 -i - -c:v libx264 \ -pix_fmt yuv420p det_video.mp4 ``` > 完整的一键脚本可参考 SDK 内 `external/quectel-app/rknn-detect/` 目录（deploy.sh / batch_detect.sh）。 ## 检测效果视频 板端实时检测演示视频（YOLOv5s NPU 检测 + 屏幕播放）：
微信视频2026-08-14_135944_578
# 常见问题 | **问题** | **原因** | **解决** | | --- | --- | --- | | Segmentation fault | 工作目录不对，找不到 ./model/coco_80_labels_list.txt | 先 `cd /usr/share/model/yolov5` 再运行 | | 检测不到目标 | 置信度阈值过高 | 修改 postprocess.h 中 BOX_THRESH（默认 0.25） | | 误检（如猴子识别成 bird） | COCO 数据集无 monkey 类 | 换自定义模型或调阈值 | | 推理慢 | NPU 未定频 | 设置 NPU 最高频率 950MHz（见 NPU 使用指南） | # 换模型 如需换其他 YOLO 模型（如自定义训练的模型）： 1. 用 rknn-toolkit2 将模型转换为 RK3576 版 .rknn（见 [NPU使用指南] 模型转换章节） 2. 替换模型文件与 labels 文件 3. 重新运行检测命令 > 模型转换详细流程见「NPU使用指南」文档。