本文记录了将PaddleOCR模型转换为RKNN格式的具体实现过程。与许多现有教程不同，本文的方案已通过完整测试验证，并重点解决了网上常见教程中未提及或未能解决的几个关键问题，文中将对转换步骤、遇到的问题及解决方案进行详细说明。

一、模型转换环境搭建

本次模型转换在安装Ubuntu 20.04操作系统的PC上完成，使用conda进行Python环境管理。

1. 安装模型转换所需环境

1.1 conda环境安装
​conda create -n paddle2rknn python==3.12 -y
conda activate paddle2rknn
1.2 安装Ubuntu依赖包
sudo apt-get install libxslt1-dev zlib1g zlib1g-dev libglib2.0-0 libsm6 libgl1-mesa-glx libprotobuf-dev gcc g++
1.3 安装python依赖

将下面内容写入requirements.txt，并执行

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

requirements.txt 内容：

anyio==4.12.1
astor==0.8.1
certifi==2026.2.25
decorator==5.2.1
fast-histogram==0.14
filelock==3.25.1
flatbuffers==25.12.19
fsspec==2026.2.0
h11==0.16.0
httpcore==1.0.9
httpx==0.28.1
idna==3.11
Jinja2==3.1.6
markdown-it-py==4.0.0
MarkupSafe==3.0.3
mdurl==0.1.2
mpmath==1.3.0
networkx==3.6.1
numpy==1.26.4
nvidia-cublas-cu12==12.1.3.1
nvidia-cuda-cupti-cu12==12.1.105
nvidia-cuda-nvrtc-cu12==12.1.105
nvidia-cuda-runtime-cu12==12.1.105
nvidia-cudnn-cu12==9.1.0.70
nvidia-cufft-cu12==11.0.2.54
nvidia-curand-cu12==10.3.2.106
nvidia-cusolver-cu12==11.4.5.107
nvidia-cusparse-cu12==12.1.0.106
nvidia-nccl-cu12==2.20.5
nvidia-nvjitlink-cu12==12.9.86
nvidia-nvtx-cu12==12.1.105
onnx==1.17.0
onnx-simplifier==0.5.0
onnxruntime==1.24.3
onnxsim==0.6.2
opencv-python==4.11.0.86
opt-einsum==3.3.0
packaging==26.0
paddle2onnx==1.2.5
paddlepaddle==2.6.2
pillow==12.1.1
polygraphy==0.49.26
protobuf==4.25.4
psutil==7.2.2
Pygments==2.19.2
PyYAML==6.0.3
rich==14.3.3
rknn-toolkit2==2.3.2
ruamel.yaml==0.19.1
safetensors==0.7.0
scipy==1.17.1
sympy==1.14.0
torch==2.4.0
tqdm==4.67.3
triton==3.0.0
typing_extensions==4.15.0
anyio==4.12.1
astor==0.8.1
certifi==2026.2.25
decorator==5.2.1
fast-histogram==0.14
filelock==3.25.1
flatbuffers==25.12.19
fsspec==2026.2.0
h11==0.16.0
httpcore==1.0.9
httpx==0.28.1
idna==3.11
Jinja2==3.1.6
markdown-it-py==4.0.0
MarkupSafe==3.0.3
mdurl==0.1.2
mpmath==1.3.0
networkx==3.6.1
numpy==1.26.4
nvidia-cublas-cu12==12.1.3.1
nvidia-cuda-cupti-cu12==12.1.105
nvidia-cuda-nvrtc-cu12==12.1.105
nvidia-cuda-runtime-cu12==12.1.105
nvidia-cudnn-cu12==9.1.0.70
nvidia-cufft-cu12==11.0.2.54
nvidia-curand-cu12==10.3.2.106
nvidia-cusolver-cu12==11.4.5.107
nvidia-cusparse-cu12==12.1.0.106
nvidia-nccl-cu12==2.20.5
nvidia-nvjitlink-cu12==12.9.86
nvidia-nvtx-cu12==12.1.105
onnx==1.17.0
onnx-simplifier==0.5.0
onnxruntime==1.24.3
onnxsim==0.6.2
opencv-python==4.11.0.86
opt-einsum==3.3.0
packaging==26.0
paddle2onnx==1.2.5
paddlepaddle==2.6.2
pillow==12.1.1
polygraphy==0.49.26
protobuf==4.25.4
psutil==7.2.2
Pygments==2.19.2
PyYAML==6.0.3
rich==14.3.3
rknn-toolkit2==2.3.2
ruamel.yaml==0.19.1
safetensors==0.7.0
scipy==1.17.1
sympy==1.14.0
torch==2.4.0
tqdm==4.67.3
triton==3.0.0
typing_extensions==4.15.0
anyio==4.12.1
astor==0.8.1
certifi==2026.2.25
decorator==5.2.1
fast-histogram==0.14
filelock==3.25.1
flatbuffers==25.12.19
fsspec==2026.2.0
h11==0.16.0
httpcore==1.0.9
httpx==0.28.1
idna==3.11
Jinja2==3.1.6
markdown-it-py==4.0.0
MarkupSafe==3.0.3
mdurl==0.1.2
mpmath==1.3.0
networkx==3.6.1
numpy==1.26.4
nvidia-cublas-cu12==12.1.3.1
nvidia-cuda-cupti-cu12==12.1.105
nvidia-cuda-nvrtc-cu12==12.1.105
nvidia-cuda-runtime-cu12==12.1.105
nvidia-cudnn-cu12==9.1.0.70
nvidia-cufft-cu12==11.0.2.54
nvidia-curand-cu12==10.3.2.106
nvidia-cusolver-cu12==11.4.5.107
nvidia-cusparse-cu12==12.1.0.106
nvidia-nccl-cu12==2.20.5
nvidia-nvjitlink-cu12==12.9.86
nvidia-nvtx-cu12==12.1.105
onnx==1.17.0
onnx-simplifier==0.5.0
onnxruntime==1.24.3
onnxsim==0.6.2
opencv-python==4.11.0.86
opt-einsum==3.3.0
packaging==26.0
paddle2onnx==1.2.5
paddlepaddle==2.6.2
pillow==12.1.1
polygraphy==0.49.26
protobuf==4.25.4
psutil==7.2.2
Pygments==2.19.2
PyYAML==6.0.3
rich==14.3.3
rknn-toolkit2==2.3.2
ruamel.yaml==0.19.1
safetensors==0.7.0
scipy==1.17.1
sympy==1.14.0
torch==2.4.0
tqdm==4.67.3
triton==3.0.0
typing_extensions==4.15.0

2. 模型转换

        接下来，将按照官方流程，分别下载并转换PP-OCR系统所需的三个核心模型：文本检测、方向分类和文本识别模型。

2.1 下载模型文件
# 创建并进入专用目录
mkdir ppocr
cd ppocr

# 下载并解压PP-OCRv4文本检测模型
wget https://paddleocr.bj.bcebos.com/PP-OCRv4/chinese/ch_PP-OCRv4_det_infer.tar
tar -xvf ch_PP-OCRv4_det_infer.tar

# 下载并解压文字方向分类器模型
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar
tar -xvf ch_ppocr_mobile_v2.0_cls_infer.tar

# 下载并解压PP-OCRv4文本识别模型
wget https://paddleocr.bj.bcebos.com/PP-OCRv4/chinese/ch_PP-OCRv4_rec_infer.tar
tar -xvf ch_PP-OCRv4_rec_infer.tar

        执行完毕后，当前目录下会生成三个文件夹，分别包含了对应的PaddlePaddle格式模型文件。

2.2 转换Paddle模型至ONNX格式

     使用 paddle2onnx工具，将三个模型分别转换为ONNX格式。

# 转换检测模型
paddle2onnx --model_dir ch_PP-OCRv4_det_infer \
            --model_filename inference.pdmodel \
            --params_filename inference.pdiparams \
            --save_file det4.onnx

# 转换分类模型
paddle2onnx --model_dir ch_ppocr_mobile_v2.0_cls_infer \
            --model_filename inference.pdmodel \
            --params_filename inference.pdiparams \
            --save_file cls2.onnx

# 转换识别模型
paddle2onnx --model_dir ch_PP-OCRv4_rec_infer \
            --model_filename inference.pdmodel \
            --params_filename inference.pdiparams \
            --save_file rec4.onnx
2.3 固定ONNX模型的输入形状

        为适配后续的RKNN转换工具，需要为每个ONNX模型指定固定的输入张量形状。请注意，根据系统环境的不同，Python解释器命令可能是 python或 python3。

# 固定分类模型输入形状为 [1, 3, 48, 192]
python3 -m paddle2onnx.optimize --input_model cls2.onnx \
                               --output_model cls2_shape.onnx \
                               --input_shape_dict "{'x':[1,3,48,192]}"

# 固定识别模型输入形状为 [1, 3, 48, 320]
python3 -m paddle2onnx.optimize --input_model rec4.onnx \
                               --output_model rec4_shape.onnx \
                               --input_shape_dict "{'x':[1,3,48,320]}"

# 固定检测模型输入形状为 [1, 3, 960, 960]
python3 -m paddle2onnx.optimize --input_model det4.onnx \
                               --output_model det4_shape.onnx \
                               --input_shape_dict "{'x':[1,3,960,960]}"

此步骤将生成固定形状后的新ONNX文件（*_shape.onnx），以供下一步转换使用。

最终结果如下：

 2.4 准备准备FastDeploy转换工具

        此步骤将使用瑞芯微官方提供的RKNN模型转换工具，该工具集成在PaddlePaddle的FastDeploy仓库中。

-- 获取工具：

https://github.com/PaddlePaddle/FastDeploy/tree/release/1.1.0https://github.com/PaddlePaddle/FastDeploy/tree/release/1.1.0

-- 放置模型文件：        

将前一步生成的、已固定形状的三个ONNX模型文件（rec4_shape.onnx, cls2_shape.onnx, det4_shape.onnx），复制到FastDeploy工具链的对应目录下：FastDeploy-release-1.1.0/tools/rknpu2/ 

2.5 转换为RKNN模型

转换通过编辑YAML配置文件并执行Python脚本完成。

-- 修改配置文件：

在 FastDeploy-release-1.1.0/tools/rknpu2/目录下，找到并编辑以下三个配置文件：

  • ppocrv3_det.yaml

  • ppocrv3_rec.yaml

  • ppocrv3_cls.yaml

在每个YAML文件中，主要修改两项配置：

  • model_path：指定输入的ONNX模型文件名（例如：cls2_shape.onnx）。

  • output_folder：指定转换后RKNN模型的输出目录（例如："output"）。

以ppocrv3_cls.yaml为例，修改后的核心部分应类似如下：

-- 执行转换命令：

在tools/rknpu2/目录下，针对三个模型分别执行转换命令。以下示例以RK3588平台为目标，请根据你的实际芯片型号进行调整（如rk3588）。

# 转换文本检测模型
python3 export.py --config_path ppocrv3_det.yaml --target_platform rk3588
# 转换文本识别模型
python3 export.py --config_path ppocrv3_rec.yaml --target_platform rk3588
# 转换方向分类模型
python3 export.py --config_path ppocrv3_cls.yaml --target_platform rk3588

成功执行后，RKNN模型文件（.rknn）将生成在配置文件指定的output_folder目录中，如下：

参考文章：https://blog.csdn.net/m0_60657960/article/details/143209851

# python # paddlepaddle
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

产品定制无人化：Spec提取实战

用户指令 → AI理解 → Spec匹配 → 执行计划 → 调用API → 返回结果输入OpenSpecOpenSpec + 用户指令输出代码执行结果方式一次性生成交互式执行用户："帮我把VIP的API配额改成无限"↓AI读取Spec文档，理解VIP配额规则↓AI制定执行计划：1. 找到api_quota规则定义2. 修改配额逻辑3. 还是调用现有API？↓AI执行 → 返回结果。

avatar AtomGit开源社区
cover

AI 时代新范式 造一个能做好事的环境：Agent Harness 工程化方法论

avatar AtomGit开源社区

【超详细】Claude Code Ubuntu平台完整部署指南

Claude Code是Anthropic公司推出的终端AI编程助手，能够通过自然语言指令自主完成代码生成、调试、重构和自动化开发任务。不同于传统的代码补全AI，它可以主动读取你的代码库、编辑文件、运行命令、执行测试，并与Git、IDE及其他开发工具集成。据了解，因为某种原因，国内很难使用Claude模型，其实Claude code是一个执行框架，不一定需要对接Claude模型。诶，发现运行不起来

avatar AtomGit开源社区