寒水微痕1. 为什么无人售货柜必须用 YOLO 来认商品
先讲个真实的场景。某零售项目组做无人售货柜时，最初用的是传统图像匹配方案：每个商品放几组模板图，柜内摄像头拍完照后做特征点匹配。结果一到真实场景就崩——商品换个角度、光线暗一点、被旁边的东西挡了一半，匹配率直接掉到 70%以下。后来换成 YOLO 系列检测模型，同样的柜子、同样的摄像头，识别率稳到 95% 以上，推理速度还快了一倍多。
这背后的逻辑其实很简单：传统模板匹配是在“找相似图”，而 YOLO 是在“学规律”。YOLO 把整张图拆成网格，每个网格直接预测“这里有没有目标”“目标是什么”“目标框在哪”，一次前向推理就能把所有商品的位置和类别同时输出。对无人售货柜这种场景，货柜里的商品种类固定、摆放相对规整、摄像头视角基本不变，YOLO 的学习能力能轻松驾驭这种“限定域”识别，而且泛化能力远比模板匹配强——换个柜子、换台设备，只要数据够，重新训练一下就能适配。
我在这套系统里用的硬件平台是 RK 系列芯片（RK3588 / RK3568 这类带 NPU 的 SoC），搭配 YOLO 做端侧推理。RK 的 NPU 对 YOLO 系列的支持非常成熟，Convert 工具链可以把训练好的模型转换成 RKNN 格式，跑在板子上功耗低、延迟小，非常适合无人售货柜这种需要 7x24 小时在线、又不能塞一台大服务器进去的场景。
这篇博文的目标非常明确：从零搭建 YOLO 商品识别的训练环境，准备好数据集，跑通训练，最终拿到一个能在 RK 平台上部署的模型。整个过程我会按实际开发顺序一步步写，代码也给出可直接复制执行的版本，适合已经对 Python 和深度学习有基本了解、但第一次做端侧检测项目的开发者。如果你完全是零基础，建议先补一下 Python 语法、pip 安装、以及最基础的 PyTorch 使用，再回来跟着走会更顺。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 整体方案选型与 RK 平台适配思路
2.1 硬件选型：为什么要选带 NPU 的 RK 芯片
无人售货柜的算力需求看起来不大，但实际约束条件很多：设备要长期通电运行，散热和功耗是硬指标；柜子内部空间有限，不可能塞 ITX 主机；成本要压到几百块钱级别，不能上万；还得支持多路摄像头输入和 IO 控制（比如门锁、重力传感器）。综合下来，RK3588 和 RK3568 就是当前性价比最平衡的选择。
RK3588 的 NPU 算力是 6 TOPS，可以同时跑两路 640x640 的 YOLO 推理还剩余量；RK3568 是 1 TOPS 左右，适合只装一个摄像头、商品数量少的 mini 柜型。选型时记住一个原则：模型参数量除以 4，就是这张板子跑这个模型的最低算力需求（单位 TOPS）的粗略估计。比如 YOLOv5s 是 7M 参数，大约需要 1.75 TOPS 以上才跑得流畅，所以用 RK3568 跑 YOLOv5s 会有点吃紧，用 RK3588 就游刃有余。
另外要注意，RK 的 NPU 不是把所有算子都原生支持的。早期版本的 RKNN Toolkit 对某些上采样层、特殊激活函数的支持不完整，所以选 YOLO 版本时最好挑 RKNN 官方文档里验证过的组合。当前最稳的是 YOLOv5 系和 YOLOv8 系，我项目里用的是 YOLOv5s，因为它的工程化程度最高、导出转 RKNN 的坑最少。如果你想让精度再高一些，YOLOv8s 也可以，但需要多处理一些细节，后面的章节我会单独提到。
2.2 模型选型：YOLOv5s 是当前平衡点
YOLO 家族版本很多，从 YOLOv3 到 YOLOv8、YOLOv9、YOLOv10，每个版本都有各自的优势。但我做端侧项目时首选 YOLOv5s，原因是三个维度：
第一是部署成熟度。YOLOv5 的 GitHub 仓库维护周期长、社区资料多，针对 RKNN 转换的踩坑文档一搜一大把，遇到问题能快速找到解决方案。相比之下，YOLOv8 虽然结构更先进，但导出 RKNN 时偶尔冒出来一些奇怪的算子兼容问题，排查周期长。
第二是速度与精度的平衡。YOLOv5s 的 mAP 在 COCO 上约 37，参数量 7M 左右，FP16 推理在 RK3588 上单次耗时约 20-30ms，完全满足售货柜的实时识别需求。换成 YOLOv5m 精度更高（mAP 约 45），但参数量涨到 21M，推理时间翻倍，对于摆满 20 个商品的柜子来说，精度溢出且速度吃亏。
第三是部署链路完整。YOLOv5 的 export 脚本原生支持 ONNX 导出，RKNN Toolkit 对 ONNX 的支持度最好的就是 YOLOv5 的输入输出格式（1x25200x85 这种经典结构）。YOLOv8 的 export 也能出 ONNX，但输出格式是多个头的分离张量，需要额外写后处理聚合代码，麻烦不少。
需要提醒的是，YOLOv5 官方仓库已经停止更新，但这不影响它作为稳定版使用。基础功能完全够用，而且社区的成熟方案仍然是最多的。
2.3 数据策略：先小后大，先粗后细
很多新手一上来就采集几千张商品图，然后花一周时间标注，结果训练出来效果感人。我推荐的反而是“小步快跑”策略：第一轮只取每个商品 100-150 张有效样本，训练一轮把流程跑通，确认环境没问题、代码没问题，然后再追加数据做第二轮优化。
这么做有几个实际好处：
- 第一轮数据量小，标注工作量低，能在 1-2 天内完成从数据到训练到部署的全链路验证；
- 如果数据本身有问题（比如类别标签标错、图片曝光过度），小数据集上能快速暴露；
- RKNN 转换和板端部署的坑尽早踩完，后面只需要迭代模型文件而不需要重走部署流程。
我第一版数据集总共只有 18 类商品、每类 120 张图，训练了 300 轮，mAP 就达到了 0.93。后来补充到每类 300 张，mAP 涨到 0.97。在无人售货柜这种封闭场景里，0.93 已经能用了，0.97 算是稳定商用线。
3. 环境搭建：从零跑通 YOLO 训练的前置条件
3.1 本机环境要求与镜像选择
训练 YOLO 并不需要多夸张的硬件。我用的主机是某款常见的消费级显卡（8GB 显存），训练 YOLOv5s 时 batch size 设置为 16，图片 640x640，完全没有压力。如果你的显卡只有 4GB 显存，把 batch size 降到 8 或者 4 也能跑，只是训练时间会长一些。实在连 GPU 都没有，用 CPU 训练也能训，但一个 300 轮的训练可能要跑 2-3 天，建议还是想办法搞一张显卡，哪怕是云 GPU 按小时租也行。
系统环境建议 Ubuntu 20.04 或 22.04，Windows 也能跑但坑更多。需要提前装好的组件清单如下：
- Python 3.8-3.10（推荐 3.8，兼容性最好）
- CUDA 11.7 + cuDNN 8.5（根据你的显卡驱动版本选对应的 CUDA，别盲目装最新版）
- PyTorch 1.13 或 2.0（1.13 在 RKNN 转换链路上踩坑最少，2.0 也没大问题）
- OpenCV 4.x（图像读取和预处理要用）
如果你不想手动装 CUDA，直接用 PyTorch 官方提供的 Docker 镜像最省事：
bash复制docker pull pytorch/pytorch:1.13.1-cuda11.6-cudnn8-devel
3.2 创建虚拟环境与安装依赖
虚拟环境推荐用 conda，环境隔离干净，出问题直接删掉重建，不影响系统 Python。创建和激活命令如下：
bash复制conda create -n yolo_env python=3.8
conda activate yolo_env
然后进入项目目录，安装 YOLOv5 的依赖。YOLOv5 仓库提供了 requirements.txt，直接一条命令装完所有基础依赖：
bash复制git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
有些机器上 OpenCV 装的是开源版，某些函数（比如 imshow 窗口显示）无法使用。训练脚本本身不用 imshow，所以不影响训练，但可视化检测结果时如果遇到报错，就换成 opencv-python-headless 或补装 opencv-contrib-python。
安装完成后，验证 PyTorch 是否真的能用 GPU：
bash复制python -c "import torch; print(torch.cuda.is_available())"
输出 True 说明 GPU 环境正常，输出 False 就要检查 CUDA 版本和驱动是否匹配。
3.3 测试 YOLOv5 预训练模型
在准备自己的数据之前，先跑一次官方预训练模型，确认整个推理链路是通的。执行以下命令下载 yolov5s.pt 并对一张测试图做预测：
bash复制python detect.py --weights yolov5s.pt --source data/images/bus.jpg
如果能在 runs/detect/exp 目录下看到带检测框的结果图，说明环境 OK。这一步很重要，能排除 90% 的环境问题，避免后面数据有问题还是环境有问题分不清楚。
4. 数据准备：标注工具选型与数据集组织
4.1 采集商品图片的实操规范
无人售货柜的商品图片采集听起来简单，实际有很多门道。我总结了几条刚需规范：
- 每类商品至少采集 80 张原始图片，理想是 150-300 张；
- 图片必须覆盖不同角度（正视、左侧 45 度、右侧 45 度、俯视），因为客户拿商品时手会从各个方向伸进去；
- 光照要模拟真实柜内环境——冷白光、暖黄光、半遮挡阴影，最好直接用柜子自带的 LED 灯照明拍摄；
- 每个商品要单独摆拍，同时也要拍“满柜组合图”，再从中裁剪出单商品样本，这样能模拟真实场景下的相互遮挡关系；
- 不要只拍纯色背景图，无人售货柜内部的背景通常是黑色或深灰色的层架，最好在同样的背景下拍摄。
采集到的原始图先做一次人工筛选，把模糊的、过曝的、商品不完整的全部删掉。这一步宁缺毋滥，模糊图进数据集会拉低整体精度。
4.2 标注工具选择与标注要点
标注工具我试过 LabelImg、Labelme、CVAT，最后固定用 LabelImg。满足 YOLO 格式的 txt 输出、支持快捷键、轻量级打开快。安装方式很简单：
bash复制pip install labelImg
如果 pip 安装失败，直接去 GitHub 仓库拉源码运行也能用。
启动后在标注前先设置好保存格式为 YOLO：
bash复制labelImg
标注的几条核心纪律：
- 框要紧贴商品轮廓，不要留太多背景，也不要切掉商品边缘；
- 遮挡严重的商品可以不标，让模型学了反而混乱；
- 类别名称统一定义，比如
coca_cola_330ml，不要一会儿用coke一会儿用cola； - 单个图片里如果出现多个商品，全部框出来，不要只标注中间那个。
标注完成后，每张图片对应一个同名 .txt 文件，内容是：
code复制class_id x_center y_center width height
这里 x_center、y_center、width、height 都是归一化后的值（0-1 之间）。我没法在文本里演示具体坐标，但这个格式看几个文件就能理解。
4.3 数据集目录结构与划分
YOLOv5 要求数据集按特定目录结构存放：
code复制dataset/
├── images/
│ ├── train/
│ ├── val/
│ └── test/
└── labels/
├── train/
├── val/
└── test/
建议比例：train 占 70%，val 占 20%，test 占 10%。划分时要注意两点：一是确保每个类别在 train 和 val 里面都有分布，别出现某种商品只在 train 里出现过、val 里一直没有；二是同一种商品的不同图片要随机打乱后再划分，别把同一批拍摄的连拍图全部放进 train，否则验证集的意义就没了。
划分好的图片和标签文件名要一一对应，比如 img_001.jpg 对应 img_001.txt。检查对应关系可以用一个简单的 Python 脚本：
bash复制python check_labels.py
这个脚本的功能是遍历所有 txt 文件，检查每个 txt 对应图片是否存在、以及 txt 中的类别 ID 是否在合法范围内。这种小工具很有用，能帮你提前发现标注数据的问题。
5. 训练全流程：从配置修改到模型评估
5.1 数据配置文件：写清楚类别和路径
YOLOv5 用 YAML 文件管理训练数据配置。在 yolov5/data 目录下新建一个文件，命名为 goods.yaml，内容如下：
yaml复制train: ./dataset/images/train
val: ./dataset/images/val
nc: 18
names: [
'coca_cola_330ml',
'pepsi_330ml',
'sprite_330ml',
'fanta_330ml',
'nongfu_spring_550ml',
'ice_tea_500ml',
'coffee_can_250ml',
'energy_drink_250ml',
'milk_tea_350ml',
'cracker_100g',
'chocolate_bar_50g',
'potato_chips_70g',
'instant_noodles_cup',
'cookie_box_200g',
'candy_box_100g',
'gum_pack',
'mineral_water_1L',
'orange_juice_300ml'
]
注意一个容易踩的坑：nc（类别数量）必须和 names 列表的实际长度一致。名字顺序也要和标注工具里定义类别的顺序完全一致，否则训练时模型会把类别 ID 完全学反，推理结果全错。
5.2 训练参数怎么选：一次说清关键超参数
YOLOv5 训练命令最精简的版本是这样：
bash复制python train.py \
--data goods.yaml \
--weights yolov5s.pt \
--img 640 \
--batch 16 \
--epochs 300 \
--device 0
但这里有个新手常挂的坑：如果用的是预训练权重 yolov5s.pt，模型会把 COCO 的 80 类输出头结构调整为我们的 18 类。这个过程 YOLOv5 会自动完成，但需要保证数据配置文件里 nc=18，否则预训练权重加载时会报 shape mismatch 错误。
几个关键超参数的调整逻辑：
--img 640：输入图片尺寸。如果商品在画面里较小，可以调到 960 提升精度，但训练时间会明显增加，且后续 RKNN 转换和推理延迟会增大。无人售货柜的摄像头离商品不远，640 是性价比最优解。--batch 16：显存足够的话，大 batch 能加快训练收敛，但 batch 太大容易过拟合小数据集。第一轮训练建议 16，如果数据量超过每类 500 张再考虑 32。--epochs 300：数据集在几十到几百张每类时，300 轮足够。训练过程中观察 loss 曲线，如果 loss 在 200 轮后还在明显下降，就加大到 400 轮。--device 0：指定使用 GPU 0。CPU 训练用--device cpu，但速度会慢到让人怀疑人生。
如果不想手动调这些参数，也可以在 train.py 脚本里的 parse_opt 函数直接改缺省值，这样后续每次跑命令就不用带一堆参数了。
5.3 训练过程中的观察指标：loss 和 mAP 怎么看
训练启动后终端会实时打印类似下面的信息：
code复制Epoch gpu_mem box obj cls labels img_size
1/300 7.81G 0.098 0.032 0.017 15 640
重点看三个 loss：box（框回归损失）、obj（目标置信度损失）、cls（分类损失）。三者都呈下降趋势说明模型在正常学习。如果某个 loss 先降后升，说明学习率太大在震荡，需要把初始学习率调低。YOLOv5 默认初始学习率是 0.01，用 SGD 优化器时通常没问题，但如果数据量很小（每类几十张），建议降到 0.005。
训练结束后，结果保存在 runs/train/exp 目录下。重点看 results.png 这张汇总图，里面有 mAP@0.5、mAP@0.5:0.95、precision、recall 的曲线。YOLOv5 默认输出 PR 曲线，曲线越靠近右上角效果越好。
对我这个商品数据集，第一轮训练结束后的指标大致是：
- precision: 0.96
- recall: 0.93
- mAP@0.5: 0.93
这已经达到无人售货柜的最低可用线。如果某类商品的 AP 特别低（低于 0.8），大概率是图像数量不足或标注框不准确，针对该类补充数据后单独再训一轮。
5.4 从训练结果中导出最佳权重
训练结束后，runs/train/exp/weights 目录下有两个文件：best.pt 和 last.pt。best.pt 是验证集上 mAP 最高的那一轮权重，last.pt 是最后一轮的权重。部署时一定用 best.pt，不要用 last.pt，因为训练后期可能过拟合，最后一轮权重在验证集上的表现不一定比中间轮次好。
把这个 .pt 文件先拿到本机测试一下推理效果：
bash复制python detect.py --weights runs/train/exp/weights/best.pt --source test_images/ --conf-thres 0.5
--conf-thres 0.5 表示置信度低于 50% 的框不会被画出来。无人售货柜场景建议设 0.4-0.5 之间，太低了容易误检，太高了又容易漏检。
6. 模型导出与 RKNN 转换：从 PyTorch 到板端
6.1 导出 ONNX 格式的中间模型
RK 的 NPU 不直接吃 PyTorch 的 .pt 文件，需要先转成 ONNX，再通过 RKNN Toolkit 转成 RKNN 格式。所以第一步是导出 ONNX：
bash复制python export.py --weights runs/train/exp/weights/best.pt --img 640 --batch 1
导出完会生成 best.onnx。这里有个关键参数不能漏：--batch 1，因为 RK 平台推理固定单图输入，batch 大于 1 会造成转换失败或推理异常。
导出后建议用 Netron（一个在线模型可视化工具）打开 ONNX 文件看一眼，确认输入节点名是 images，输出节点名是 output0，形状是 [1, 25200, 18+5]。25200 来自 640x640 输入下三个检测层的 anchor 总数（80x80 + 40x40 + 20x20），后面 RKNN 转换和板端后处理都要用到这个数字。如果输出形状不对，大概率是导出参数有问题。
6.2 RKNN Toolkit 安装与模型转换
RKNN Toolkit 的安装过程在不同版本的 RK 芯片上有差异，但整体思路一致。以 RK3588 为例，在 PC 上安装 RKNN Toolkit2：
bash复制pip install rknn-toolkit2
然后写一个转换脚本 convert_rknn.py，核心逻辑如下：
python复制from rknn.api import RKNN
rknn = RKNN()
rknn.config(
mean_values=[[0, 0, 0]],
std_values=[[255, 255, 255]],
target_platform='rk3588'
)
rknn.load_onnx(model='best.onnx')
rknn.build(do_quantization=True, dataset='dataset.txt')
rknn.export_rknn('goods.rknn')
这段代码里有三个关键细节需要展开：
mean_values和std_values必须与 YOLOv5 训练时的归一化方式一致。YOLOv5 默认会把像素值除以 255 归一化到 0-1，所以标准差设置为 255，均值设置为 0。写反了会导致推理效果暴跌。do_quantization=True表示启用 INT8 量化。YOLOv5s 从 FP16 量化到 INT8 精度损失通常在 1% 以内，但换来的推理速度提升接近 2 倍，这个交易非常划算。dataset.txt是一个文本文件，里面每一行是用于量化校准的图片路径，推荐放 100-200 张训练集的图片，不要放验证集，避免量化过程“作弊”。
量化校准跑完后，会在当前目录生成 goods.rknn。这个文件拷贝到 RK 板子上就可以通过 RKNN Python API 或 C API 调用了。
6.3 板端推理验证：先跑通再优化
在板子上跑推理前，建议写一个最小验证脚本，只加载模型、跑一张图、打印检测结果。这个脚本的目的不是做完整业务逻辑，而是验证模型转换是否成功、推理输出是否符合预期。
核心验证代码片段如下：
python复制from rknn.api import RKNN
rknn = RKNN()
rknn.load_rknn('goods.rknn')
rknn.init_runtime(target='rk3588')
img = cv2.imread('test.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = cv2.resize(img, (640, 640))
outputs = rknn.inference(inputs=[img])
拿到的 outputs 是一个 Numpy 数组，形状是 [1, 25200, 23]（23 = 18类 + 4个框坐标 + 1个置信度）。先打印一下它的 shape 和数值范围，确认输出非空、数值量级正常。接下来再用非极大值抑制（NMS）过滤出最终的检测框。
NMS 的 Python 实现有很多现成代码，这里给出 YOLOv5 里最精简的处理思路：
- 从 25200 个候选框中选取置信度大于阈值的框；
- 按类别分别做 NMS，同类框之间 IoU 大于 0.45 的保留高分框、删除低分框；
- 输出框坐标映射回原图尺寸。
这一步如果发现检测结果偏移很大，优先检查 mean_values 和 std_values 配置，以及输入图像是否做了 RGB 通道调整。另一个常见问题是量化后精度下降明显，这时把 do_quantization 改为 False，转出一个 FP16 的 RKNN 模型对比一下，如果 FP16 精度正常，说明是量化校准集选得不好，重新挑量化图片路径即可。
7. 常见问题与老手才知道的避坑技巧
7.1 训练阶段高频问题速查表
训练阶段的问题最多，我把踩过的坑整理成了一张速查表，每个问题都带解决方案。
| 现象 | 根本原因 | 处理方法 |
|---|---|---|
| loss 一直是 NaN | 学习率过大或标注文件有非法值（坐标 > 1） | 降低学习率到 0.001，用脚本检查所有 txt 文件坐标是否在 0-1 区间 |
| mAP 卡在 0.8 上不去 | 某类商品图片过少，或标注类别混淆 | 给低 AP 的类别补 50-100 张新图，review 标注框 |
| 训练时 CPU 占用 100% 但 GPU 占用 0 | DataLoader 的 num_workers 设置过小或数据读取瓶颈 | 增加 --workers 8；图片先全部 resize 到 640 再训练 |
| 验证集上检测很好但训练集上检测很差 | 过拟合，数据变化不够 | 增强数据扩充：加翻转、旋转、亮度变化；同时考虑加正则化 |
| 检测出大量重叠框 | NMS 阈值设置过高（0.7 以上） | 降低 NMS IoU 阈值到 0.45-0.5 |
| 某些类别完全检不出 | 该类别在 train 中的数量过少或与其他类别外观太相似 | 增加该类别的样本量，且保证样本中不同角度和场景都有覆盖 |
7.2 RKNN 转换与板端部署典型问题
问题 1：rknn.load_onnx 报错算子不支持
YOLOv5s 的 ONNX 导出很少遇到算子不支持的报错，但如果用了 YOLOv8 或者改过网络结构，就可能碰到。解决办法是：优先换回 YOLOv5s 结构；如果必须用 YOLOv8，去 RKNN 官方文档里查不支持算子的替代实现。
问题 2：量化后 mAP 跌了 3 个点以上
首要怀疑量化校准集的代表性问题。校准集应该覆盖所有类别的所有典型外观，且每张图片的内容多样性要高。我试过用 50 张全是可乐的图片做校准，结果其他 17 类商品的量化精度全面崩盘。正确做法是从每个类别里均匀抽 5-10 张图，凑 100 张左右的校准集。
问题 3：板端推理时间比预期高
先确认用的是 RKNN 的 C API 还是 Python API。Python API 有解释层开销，通常比 C API 慢 20-30%。如果对延迟敏感，建议最终切换到 C API 部署。另外，输入图像尺寸是否真的是 640x640 也要检查，LLM 里 cv2.resize 后再输入，不要直接把大图喂进去让 RKNN 内部做缩放。
7.3 无人售货柜特定场景的额外技巧
无人售货柜有两个普通目标检测项目不会遇到的特有问题：
第一是镜面反光。柜门玻璃或商品包装的反光会产生大量误检。解决方案是在后处理阶段加入“反光抑制”：检测到商品区域的高光像素占比超过 60% 时，将该框的置信度降低，若低于阈值则不输出。这个规则在真实柜子上测试后，误检率降低了 40% 左右。
第二是商品缺失检测与数量统计。很多售货柜需要知道“什么商品被拿走了几件”，而不是只在一次拍照里识别有哪些商品。此时建议对开柜前和关柜后各做一次检测，再根据两次结果做差集。注意前后两次检测的商品框对齐要基于柜内固定参考点，否则同一商品在两次检测中的坐标微位移会导致数量统计错误。
8. 后续可以怎么扩展
整套流程跑通之后，后续的扩展方向就非常多了。我这里简单列几条实际也有价值的方向。
工程化方面，可以把手动采集图片换成自动数据管道，在柜子上接入摄像头，每天自动采集一批新图片并做半监督标注，持续迭代模型。这样商品换包装、新增商品上线时不需要重新搭建环境，只需要增量数据训练。端侧推理方面，可以把 Python API 换成 C API，结合 RK 的 zero-copy 接口把推理延迟压到 10ms 级别，同时接入多路摄像头并行处理。算法方面，如果商品种类超过 30 类，并且同一类商品有多个不同包装版本，可以尝试把 YOLO 的检测头换成解耦头或者引入注意力机制，进一步提升细粒度识别能力。
我个人的体会是，无人售货柜这个方向看起来不难，但真正落地时要兼顾的因素非常多：数据质量决定了模型上限，部署链路的稳定性决定了项目能不能交付，而后处理的细节决定了用户体验。前面这一整套流程，每一条经验都是用实际项目换来的，照着走一遍，你会少踩很多坑。尤其提醒一句：RKNN 转换后一定要在真实柜子环境里验证效果，实验室里跑得再漂亮，也不如柜门一开一关来得真实。