从零到一：在RK3576开发板上实战YOLOv5模型训练与端侧部署

1. YOLOv5与RK3576开发板简介

YOLOv5作为当前最流行的目标检测算法之一，以其轻量高效的特性在边缘计算领域大放异彩。我去年在工业质检项目中第一次接触YOLOv5s模型，实测在1080p图像上能达到60FPS的推理速度，而模型大小仅有14MB。这种性能表现让它成为RK3576这类边缘计算芯片的理想搭档。

RK3576是瑞芯微推出的高性能AIoT芯片，搭载4核ARM Cortex-A55 CPU和3TOPS算力的NPU。最近帮客户部署过一个智能门禁系统，就是用这块开发板跑YOLOv5s模型，在720p视频流上实现了实时人脸检测。与树莓派等通用开发板相比，RK3576的专用AI加速器能让YOLOv5的推理速度提升3-5倍。

开发环境搭建有个小技巧：建议直接用Ubuntu 20.04系统，避免在Windows WSL下折腾驱动问题。我测试过在16GB内存的NUC上跑完整流程最稳定，如果只有8GB内存，训练时记得把batch_size调到32以下。

2. 数据集准备实战

口罩检测是个不错的入门项目，数据集规模适中（约2000张标注图片），类别简单（戴口罩/不戴口罩/错误佩戴）。第一次尝试时我犯了个错误——直接用了网上的现成数据集，结果发现很多图片尺寸不统一，导致训练时loss震荡严重。后来自己用Roboflow工具做了标准化处理：

python复制# 图片统一缩放到640x640
import cv2
def resize_image(img_path):
    img = cv2.imread(img_path)
    return cv2.resize(img, (640, 640), interpolation=cv2.INTER_AREA)

数据增强方面，我推荐这些组合：

• Mosaic增强：提升小目标检测能力
• HSV色彩扰动：增强光照变化鲁棒性
• 随机旋转：±15度范围内效果最佳

记得用LabelImg检查标注质量时，我发现约5%的标注框存在偏移问题。手动修正后，mAP@0.5直接提升了3个百分点。

3. 模型训练技巧

克隆官方仓库后，重点修改这两个配置文件：

1. data/mask.yaml：将train/val路径改为绝对路径
2. models/yolov5s.yaml：根据检测目标数量调整nc参数

训练命令我习惯加上这些参数：

bash复制python train.py --img 640 --batch 16 --epochs 100 --data mask.yaml \
--cfg yolov5s.yaml --weights "" --name mask_detection \
--cache ram  # 使用内存缓存加速数据加载

几个容易踩的坑：

• 显存不足：batch_size大于16时需要至少6GB显存
• Loss不下降：检查学习率（建议初始3e-4）和数据标注质量
• 过拟合：添加--evolve参数进行超参数进化

训练完成后，用这段代码快速验证模型效果：

python复制from models.experimental import attempt_load
model = attempt_load('runs/train/exp/weights/best.pt')
stride = int(model.stride.max())  # 获取模型步长
print(f"Model stride: {stride}")  # 输出应为32/64

4. 模型转换关键步骤

ONNX转换时特别注意：

bash复制python export.py --include onnx --weights best.pt --img 640 --batch 1 \
--simplify  # 启用模型简化

RKNN转换的配置文件需要针对RK3576优化：

python复制rknn.config(
    mean_values=[[0, 0, 0]],
    std_values=[[255, 255, 255]],
    quantized_dtype='asymmetric_quantized-8',
    target_platform='rk3576')  # 关键参数！

遇到转换失败时，先检查：

1. ONNX模型是否包含动态维度（需固定为640x640）
2. 是否缺少opset_version参数（建议设为12）
3. NPU驱动版本是否匹配（v1.7.0以上）

5. 开发板部署实战

通过ADB部署时，推荐先用这个命令检查NPU状态：

bash复制adb shell cat /proc/version | grep rknpu

内存分配很重要，我在rk3576上测试的最佳配置：

c复制// rknn_init参数
rknn_init_context ctx;
ctx.target_mem_type = RKNN_MEM_TYPE_NBUF;  // 使用专用内存
ctx.pool_size = 256 * 1024 * 1024;  // 256MB缓存

实测性能数据（640x640输入）：

• YOLOv5s：22ms/帧
• YOLOv5m：38ms/帧
• YOLOv5n：15ms/帧

最后分享一个调试技巧：用rknn_toolkit2里的性能分析工具生成时间线图，能清晰看到每个算子的耗时情况。曾经发现某个Conv2D层异常耗时，原来是输入通道数没对齐NPU的16字节要求，调整后速度直接翻倍。