本次基于 RV1126B 开发板的 YOLOv8 目标检测算法部署实践，由电子信息工程专业本科三年级学生完成，依托飞凌嵌入式 RV1126B 开发板展开，不仅为大学生集成电路比赛积累了实战经验，也为嵌入式领域的 “学 - 赛 - 研” 教学科研路线提供了实操参考。在整个部署过程中，我们选择 WSL 作为核心开发环境，搭配 Visual Studio Code 编辑器完成代码编写与调试，最终成功实现了 YOLOv8 在 RV1126B 上的目标检测落地，实测可稳定识别各类物体，整体部署流程兼具可操作性与参考性，以下为详细的部署过程、实操细节与实测测评。

一、开发环境搭建：从 WSL 配置到工具链部署

开发环境的搭建是嵌入式算法部署的基础，本次实践围绕WSL（Windows Subsystem for Linux）+VSCode搭建跨平台开发环境，同时配置 Python、Anaconda 等工具链，为后续 YOLOv8 模型的编译、转换与部署做好准备。

（一）WSL 开启与安装

WSL 能让 Windows 系统直接运行 Linux 环境，完美解决了嵌入式开发中 Linux 工具链与 Windows 桌面操作的兼容问题，具体开启步骤如下：

1. 打开 Windows 控制面板，选择「程序」选项；
2. 点击「启用或关闭 Windows 功能」，在弹出的窗口中勾选 WSL 相关选项，保存后重启系统；

3.重启后打开 Windows 终端，输入wsl --version命令，若能显示 WSL 版本、内核版本、WSLg 版本等信息，说明 WSL 基础环境开启成功；

4.安装 Linux 发行版：部分系统无法直接通过wsl --install命令安装，推荐通过 Microsoft Store 直接搜索安装（本次选择 Debian 发行版），搜索对应发行版后点击下载，等待安装完成即可。

（二）VSCode 与 WSL 的联动配置

VSCode 凭借丰富的扩展插件，能实现与 WSL 的无缝连接，让我们在 Windows 界面中直接操作 Linux 环境，大幅提升开发效率，配置步骤如下：

1.安装 VSCode 的 Remote Development 扩展包：打开 VSCode 扩展页面，搜索「Remote Development」，该扩展包为微软官方出品，集成了 Remote-SSH、WSL、Dev Containers 等核心插件，无需单独安装其他远程扩展，一键安装即可；

2.连接 WSL 环境：安装完成后，打开 VSCode 左侧「远程资源管理器」，在「WSL TARGETS」选项组中，选中已安装的 Debian 发行版（或其他已安装的 Linux 发行版），点击连接；

3.验证连接：连接成功后，VSCode 左下角会显示蓝色的远程连接信息（如「WSL: Debian」），并自动打开 Linux 终端，此时即可在 VSCode 中直接进行 Linux 环境下的代码编写、命令执行等操作。

安装完成后在左侧边栏打开远程资源管理器

在WSL Targets选项组中选中要连接的环境连接

连接成功后左下⻆蓝⾊显⽰远程连接信息且⾃动打开终端

（三）Python 与 Anaconda 环境配置

    YOLOv8 的模型训练、转换均依赖 Python 环境，而 Anaconda 能便捷地创建、管理多个 Python 虚拟环境，避免版本冲突，本次实践的环境配置细节如下：Python 环境：多数 Linux 发行版会自带 Python 环境，本次使用的 Debian 系统内置 Python3.13.5 版本，可通过python3 --version命令查看当前 Python 版本若版本不符，可通过 apt 命令或 Anaconda 进行版本调整；

1.Anaconda 安装：前提准备：确保 Linux 环境中安装了 curl 或 wget 下载工具（本次使用 wget）；

2.下载安装脚本：在 Anaconda 官方网站获取 Linux-x86_64 版本的安装脚本地址，在终端中输入wget https://repo.anaconda.com/archive/Anaconda3-2025.12-2-Linux-x86_64.sh，将安装脚本下载到当前目录；

3.执行安装：输入bash Anaconda3-2025.12-2-Linux-x86_64.sh，按照终端提示完成安装（全程可默认回车，需同意协议时输入 yes）；

4.验证安装：安装成功后，终端命令行前会出现(base)标识，代表进入 Anaconda 的基础环境，输入conda --version命令可查看 Anaconda 版本，确认安装无误。

Anaconda 的安装为后续 YOLOv8 的依赖包安装、虚拟环境隔离提供了便利，能有效避免不同项目之间的依赖冲突，是嵌入式算法开发的实用工具。

二、YOLOv8 模型部署核心流程

      在完成开发环境搭建后，我们进入核心的模型部署阶段。YOLOv8 作为最新的 YOLO 系列目标检测算法，兼具检测速度与精度，非常适合在嵌入式设备上部署。本次实践将 YOLOv8 模型适配 RV1126B 开发板的硬件架构，完成模型的转换、编译与板级运行，核心思路为「模型适配 - 代码调试 - 板级部署」。

（一）模型适配与代码编写

基于 Anaconda 的 Python 环境，我们安装 YOLOv8 的官方依赖库ultralytics，完成模型的基础配置与代码编写：在 Anaconda 虚拟环境中，通过pip install ultralytics安装 YOLOv8 核心依赖；编写目标检测核心代码，包含视频流读取、图像预处理、模型推理、检测结果可视化等模块，针对 RV1126B 的硬件性能，对图像尺寸进行适配（本次设置为 1360×800），确保模型推理效率；对代码进行本地调试，在 WSL 环境中验证模型的推理效果，排查语法错误、依赖缺失等问题，确保代码能正常运行。

（二）RV1126B 硬件连接

在进行板级部署前，需完成 RV1126B 开发板的硬件连接，为模型运行提供硬件基础：完成开发板的供电连接，确保电源电压稳定匹配开发板规格；连接图像采集设备摄像头OV13855，实现检测目标的图像流输入；完成开发板与电脑的串口通信连接进行代码传输、命令执行与结果查看。检查所有硬件连接是否牢固，确保无接触不良、接线错误等问题，避免硬件故障影响部署。

（三）板级部署与代码运行

      将调试完成的 YOLOv8 检测代码传输至 RV1126B 开发板，通过 SSH 远程连接开发板终端，执行运行命令，完成模型的板级部署：通过 SCP 命令将本地 WSL 中的代码传输至 RV1126B 开发板的指定目录；在开发板终端中，激活对应的 Python 环境，安装opencv-python输入python main_camera_fps_v8.py执行检测代码，开发板将启动摄像头采集图像，通过 YOLOv8 模型进行实时目标检测。

三、实测效果与性能测评

在完成 YOLOv8 模型在 RV1126B 开发板的部署后，我们对其检测效果、运行性能进行了全面实测，从检测精度、识别种类、运行稳定性等维度展开测评，实测结果如下：

（一）目标识别能力

本次实测中，RV1126B 开发板搭载的 YOLOv8 模型能稳定识别多种常见物体，如鼠标、杯子、书本、笔等日常物品，检测框能精准框选目标物体，且能正确输出目标类别标签，无明显的漏检、错检问题，满足基础的目标检测需求。

（二）运行帧率与稳定性

在图像分辨率为 1360×800 的前提下，模型运行的平均帧率稳定在 19-20FPS 左右，帧率波动较小，能实现实时的视频流目标检测，无明显的卡顿、延迟问题。在长时间运行测试中，开发板无死机、程序崩溃等情况，硬件运行温度正常，整体稳定性良好。

（三）硬件适配性

RV1126B 作为一款面向边缘计算的嵌入式开发板，其算力能较好地适配 YOLOv8 的轻量级模型，在保证检测精度的同时，实现了高效的模型推理。开发板的外设接口丰富，能便捷连接摄像头、显示屏等设备，为目标检测的实际应用提供了硬件支撑。

（四）实操过程中的问题与解决

在部署过程中，我们也遇到了一些小问题，图像预处理阶段出现KeyboardInterrupt中断问题，经排查为图像尺寸与开发板硬件缓存不匹配导致，通过调整图像缩放尺寸、优化代码执行逻辑后，问题顺利解决。这也提示在嵌入式算法部署中，需充分考虑硬件的性能限制，对模型与代码进行针对性的优化。

四、实践总结与心得体会

        本次 YOLOv8 目标检测算法在 RV1126B 开发板的部署实践，是一次从理论到实操的完整嵌入式开发体验，也让我们对边缘计算中的目标检测部署有了更深入的理解，总结如下：

开发环境的选择至关重要：WSL+VSCode 的组合完美解决了 Windows 与 Linux 的跨平台开发问题，Anaconda 则实现了 Python 环境的高效管理，大幅降低了环境搭建的难度，提升了开发效率；嵌入式设备的算力、内存有限，在部署 YOLOv8 等深度学习算法时，需选择轻量级模型，同时对代码、图像尺寸进行针对性优化，平衡检测精度与运行效率；在部署过程中，遇到的硬件连接、代码调试、模型推理等问题，通过逐一排查、查阅资料、修改优化后解决，不仅积累了嵌入式开发的实操经验，也培养了问题解决能力。RV1126B 开发板作为一款高性价比的嵌入式边缘计算开发板，其硬件性能能较好地支撑轻量级深度学习算法的部署，非常适合高校学生进行嵌入式开发学习、学科竞赛与科研实践。而 YOLOv8 作为新一代目标检测算法，在检测速度与精度上的优势，使其在嵌入式边缘计算领域具有广泛的应用前景。

本次实践只是 YOLOv8 在嵌入式设备上部署的基础尝试，后续可在此基础上进行更多优化与拓展，例如对模型进行量化压缩进一步提升运行效率、增加目标跟踪功能、适配更多种类的检测目标等，让嵌入式目标检测算法在实际场景中发挥更大的作用。同时，本次实践也验证了 “学 - 赛 - 研” 教学模式的可行性，将课堂知识与实际项目、学科竞赛相结合，能有效提升学生的专业实操能力与科研创新能力。