企业官网建设流程全解析

逆战 yolov11 rk3588fp，图片尺寸416416，onnx模型已训练逆战 yolov11 rk3588fp，图片尺寸416416，onnx模型已训练，
显示乱码(???)表示中文目录，可正常识别，附标签集，检测代码
1
1
1
显示乱码(???)表示中文目录，可正常识别，可提供标签集，检测代码

逆战目标检测（YOLOv11 + RK3588 FP版）使用文档

适配416×416输入尺寸，已训练完成，提供 ONNX 模型、完整标签集、检测源码，支持 RK3588 嵌入式板卡部署，中文目录出现????为正常编码显示，不影响识别与运行。

一、资源清单

补充说明：路径含中文时终端/日志显示????，属于字符编码展示问题，模型、文件读写、检测功能完全正常，无需修改路径。

二、运行环境配置

1. PC端运行依赖

pipinstallultralytics opencv-python numpy

2. RK3588板卡依赖

板卡预装系统需配置：rknn-toolkit2、opencv-python、numpy，RK官方标准环境即可运行。

三、PC端检测代码（YOLOv11）

输入尺寸固定416×416，支持单图、视频、本地摄像头检测。

3.1 单张图片检测

fromultralyticsimportYOLOimportcv2# 加载训练好的YOLOv11模型model=YOLO("yolov11_nz.pt")# 待检测图片路径（支持中文目录，显示乱码不影响使用）img_path="测试图片.jpg"# 模型推理，指定输入尺寸416*416，置信度阈值0.25results=model(img_path,imgsz=416,conf=0.25)# 绘制检测结果forresinresults:out_img=res.plot()# 展示+保存结果cv2.imshow("逆战目标检测",out_img)cv2.imwrite("pc_detect_result.jpg",out_img)cv2.waitKey(0)cv2.destroyAllWindows()

3.2 视频/摄像头实时检测

fromultralyticsimportYOLOimportcv2 model=YOLO("yolov11_nz.pt")# 0 = 本地摄像头，也可填写视频文件路径cap=cv2.VideoCapture(0)whilecap.isOpened():ret,frame=cap.read()ifnotret:break# 推理检测results=model(frame,imgsz=416,conf=0.25)frame=results[0].plot()cv2.imshow("实时检测",frame)# 按 q 退出ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()

四、RK3588 板卡部署（FP精度 + ONNX转RKNN）

本项目为FP浮点版，适配RK3588，先将ONNX转为RKNN模型，再运行推理。

4.1 ONNX 转 RKNN 模型代码

fromrknn.apiimportRKNN# 初始化RKNN对象rknn=RKNN()# 配置预处理参数（适配416*416输入）rknn.config(mean_values=[[0,0,0]],std_values=[[255,255,255]],target_platform='rk3588'# 指定板卡型号)# 加载ONNX模型rknn.load_onnx(model="yolov11_nz.onnx")# 构建RKNN模型（FP浮点，不做量化）rknn.build(do_quantization=False)# 导出RKNN模型rknn.export_rknn("yolov11_nz_rk3588.rknn")# 释放资源rknn.release()print("模型转换完成！")

4.2 RK3588 端推理检测代码

fromrknn.apiimportRKNNimportcv2importnumpyasnp# 类别列表，与训练标签一一对应CLASS_NAMES=[]withopen("classes.txt","r",encoding="utf-8")asf:CLASS_NAMES=[line.strip()forlineinf.readlines()]# 初始化并加载RKNN模型rknn=RKNN()rknn.load_rknn("yolov11_nz_rk3588.rknn")# 初始化运行环境rknn.init_runtime()defdetect_image(img_path):# 读取图像img=cv2.imread(img_path)h,w=img.shape[:2]# 缩放到模型输入尺寸 416*416img_resize=cv2.resize(img,(416,416))# 构造推理输入input_data=np.expand_dims(img_resize,axis=0)# 模型推理outputs=rknn.inference(inputs=[input_data])# 此处可结合YOLOv11官方后处理解析输出、绘制检测框# 后处理逻辑可直接使用配套提供的后处理脚本returnimg_resize# 执行检测result=detect_image("测试图片.jpg")cv2.imwrite("rk3588_result.jpg",result)# 释放资源rknn.release()

五、数据集与标签格式说明

数据集为标准YOLO 标签格式，目录结构如下：

nz_dataset/ ├── images/ # 所有原始图片 └── labels/ # 对应txt标签文件

• 标签规则：类别ID 归一化中心x 归一化中心y 归一化宽 归一化高
• 配套classes.txt记录所有检测类别，可直接用于二次训练。

六、补充说明&常见问题

1. 中文目录乱码（???）
   仅为终端/日志字符显示问题，文件读取、模型推理、保存结果均不受影响，正常使用即可。
2. 输入尺寸
   模型固定训练尺寸416×416，推理代码已内置对应参数，无需手动修改。
3. 精度说明
   RK3588版本为FP浮点精度，保留原始模型精度，无需量化，开箱即用。
4. 二次训练
   可使用提供的标签集 +yolov11_nz.pt权重，基于YOLOv11官方框架继续微调训练。