1安装基础开发背景工具

1.1核心功能接口

DC5V供电

使用 5V/2A 或更高电流​ 的DC电源适配器（内正外负最常见，请务必确认）插入此接口。上电前请确保其他接线正确，尤其是调试串口。

程序与调试接口

这些接口用于系统烧录、登录终端和传输文件，是软件开发的核心，标有TXD, RXD, GND

USB2.0 OTG (左上角，Type-C口)

用于通过工具向开发板烧写系统镜像。使用Type-C数据线连接电脑。烧录时通常需要让板子进入Loader模式。

USB3.0 HOST (左上角，蓝色Type-A口)

连接USB外设U盘、键盘、鼠标、USB摄像头，直接将U盘等设备插入。这是将 .rknn模型文件和测试图片传输到开发板最便捷的方式。

上电流程

连接 DC5V供电，连接 调试串口​ 到电脑，并打开串口终端软件准备观察日志。给开发板上电，在串口终端中查看启动日志，系统启动后，输入用户名密码登录系统，将虚拟机中转换好的best.rknn模型文件和测试图片bus.jpg拷贝到U盘，插入开发板的 USB3.0 HOST​ 口，在开发板终端中挂载并复制文件，在开发板终端中，安装rknn-toolkit2-lite等Python包。

1.2Miniconda3安装配置

在浏览器中进入清华镜像源网站（https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/）

下载对应的Miniconda3版本，注意下载版本必须为Linux安装包

然后找到所下载文件的目录，必须要在下载文件的目录下执行，同时需要给所安装执行这个安装脚本的权限。需要给它添加可执行权限，否则直接运行脚本可能会报错。

# 给予脚本可执行权限
chmod +x Miniconda3-py39_24.9.2-0-Linux-x86_64.sh

# 再次运行脚本
./Miniconda3-py39_24.9.2-0-Linux-x86_64.sh

开始安装后可以一直按（Enter）键，也可按Q跳过条款阅读，紧接着输入yes接受使用条款，在接受条款之后可以直接按（Enter）键使用默认路径进行安装。

之后进行一路yes即可，安装完成后使用 conda --version 命令来进行查看安装的conda版本

1.3 PyCharm安装

使用浏览器进入Pycharm官网（https://www.jetbrains.com/pycharm/download/?section=linux）下载页面，下载选择Linux安装包

点击下载，然后下载完成后它会是一个压缩，可以对压缩包直接右键进行解压，可能会存在报错问题，可在终端输入命令 tar -xzvf pycharm-2025.3.3.tar.gz（注意文件名的版本号会有不同，你要根据你下载的版本进行更改）我这里用的是pycharm-2025.3.3.tar.gz

在安装完成后输入命令进入解压后产生的Pycharm目录，注意要修改你所安装的pycharm版本号，需要与你所下载的一致。

cd pycharm-2025.3.3/

进入目录后会有如下的前缀

进入目录后输入运行启动脚本，即可进入Pycharm

./bin/pycharm.sh

1.4安装YOLOv8和依赖库

特别注意，这里安装YOLO并不能直接pip install ultralytics，我们这里使用瑞芯微官方提供的仓库airockchip/ultralytics_yolov8，我们直接拉取https://github.com/airockchip/ultralytics_yolov8仓库到我们的项目中

# 使用完整的地址执行克隆命令
git clone https://github.com/airockchip/ultralytics_yolov8.git

在终端中会出现如下的下载，等待它下载完成

在目录下新建一个名为requirements.txt的文本，这个是必须文件，内容直接照如下拷贝即可：

# Ultralytics requirements
# Usage: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=7.0.b1  # CoreML export
onnx>=1.12.0  # ONNX export
onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
# thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

继续在终端输入命令进行依赖库安装

cd ultralytics_yolov8
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -e .

2 安装RKNN Toolkit2工具包

2.1下载安装RKNN相关库文件

创建一个名为RKNN-Toolkit2、Python版本为3.10的新环境：

conda create -n RKNN-Toolkit2 python=3.10

出现提示时，输入y确认创建

创建完成后会有如图样式的结构

然后激活这个新创建的环境 conda activate RKNN-Toolkit2  ,激活成功后，命令行提示符将从base)变为(RKNN-Toolkit2) 。此后所有模型转换操作都必须在此激活的环境下进行。

安装 RKNN-Toolkit2 工具包：

pip install rknn-toolkit2==2.3.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

此命令指定安装版本2.3.2，并使用清华大学镜像源加速下载。

安装完成后，运行一个简单的Python命令来验证RKNN-Toolkit2库能否被正确导入。

python -c "from rknn.api import RKNN; print('RKNN-Toolkit2 安装成功！')"

若安装成功则会有如图所示的安装成功

2.2 获取转换资源与放置模型

chmod 777 ~/Downloads/rknn_model_zoo-2.1.0/examples/yolov8/model

从提供的Release v2.3.2: Update rknn_model_zoo to V2.3.2 · airockchip/rknn_model_zoo · GitHub下，获取 rknn_model_zoo-2.1.0.zip根据实际获得的版本文件，然后将其解压到工作目录中

将模型训练然后导出，拥有的一个.oonx格式的模型文件，将模型文件复制到资源包的指定目录

赋予模型目录写入权限（确保转换脚本能写入生成的.rknn文件）：

chmod 777 ~/Downloads/rknn_model_zoo-2.1.0/examples/yolov8/model

安装额外的Python依赖（转换脚本需要）：

pip install onnx==1.14.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3  执行模型转换

进入转换脚本所在目录

cd ~/Downloads/rknn_model_zoo-2.1.0/examples/yolov8/python

注意，在进入目录后一定要确保所在环境是RKNN-Toolkit2，然后再执行模型转换命令

python convert.py ../model/my_yolov8n.onnx rk3588 i8 ../model/best.rknn

开始转换后会有如图的步骤

转化成功后会有下图所示的成功标志

tar xvf gcc-arm-10.2-2020.11-x86_64-aarch64-none-linux-gnu.tar.xz

export GCC_COMPILER=/home/elf/work/gcc-arm-10.2-2020.11-x86_64-aarch64-none-linux-gnu/bin/a
arch64-none-linux-gnu

./build-linux.sh -trk3588 -a aarch64 -d yolov8

cd rknn_yolov8_demo/
sudo chmod +x rknn_yolov8_demo
./rknn_yolov8_demo model/yolov8.rknn model/bus.jpg