逆战 yolov11 rk3588fp图片尺寸416416onnx模型已训练逆战 yolov11 rk3588fp图片尺寸416416onnx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111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、资源清单文件/目录说明yolov11_nz.ptPyTorch 原生模型权重PC端推理/二次训练yolov11_nz.onnx通用ONNX模型RK3588部署基础文件nz_dataset/YOLO格式标签数据集图片txt标注标签集detect_pc.pyPC端图片/视频/摄像头检测代码detect_rk3588.pyRK3588板卡专用检测代码classes.txt目标类别名称文件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 numpy2. RK3588板卡依赖板卡预装系统需配置rknn-toolkit2、opencv-python、numpyRK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modelYOLO(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0.25resultsmodel(img_path,imgsz416,conf0.25)# 绘制检测结果forresinresults:out_imgres.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 modelYOLO(yolov11_nz.pt)# 0 本地摄像头也可填写视频文件路径capcv2.VideoCapture(0)whilecap.isOpened():ret,framecap.read()ifnotret:break# 推理检测resultsmodel(frame,imgsz416,conf0.25)frameresults[0].plot()cv2.imshow(实时检测,frame)# 按 q 退出ifcv2.waitKey(1)0xFFord(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rknnRKNN()# 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_platformrk3588# 指定板卡型号)# 加载ONNX模型rknn.load_onnx(modelyolov11_nz.onnx)# 构建RKNN模型FP浮点不做量化rknn.build(do_quantizationFalse)# 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,encodingutf-8)asf:CLASS_NAMES[line.strip()forlineinf.readlines()]# 初始化并加载RKNN模型rknnRKNN()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imgcv2.imread(img_path)h,wimg.shape[:2]# 缩放到模型输入尺寸 416*416img_resizecv2.resize(img,(416,416))# 构造推理输入input_datanp.expand_dims(img_resize,axis0)# 模型推理outputsrknn.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resultdetect_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。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。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。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。