基于rknn_model_zoo的examples中的yolo11部署推理的步骤

1. 测试模型：

注意：这里的模型是RK optimized的，不是标准的，outputs的数量是3，这里可以下载一个pretrained的：
wget -O ./yolo11n.onnx https://ftrg.zbox.filez.com/v2/delivery/data/95f00b0fc900458ba134f8b180b3f7a1/examples/yolo11/yolo11n.onnx
在README.md有相关详细的描述

使用python运行模型:
# Inference with PyTorch model or ONNX model
python yolo11.py --model_path yolo11n.onnx --img_show

# Inference with RKNN model
python yolo11.py --model_path yolo11n.rknn --target RK3576 --img_show


2. 构建android平台的可执行程序：
export ANDROID_NDK_PATH=<android_ndk_path>

./build-android.sh -t <TARGET_PLATFORM> -a <ARCH> -d <model_name>
# for RK3588:
./build-android.sh -t rk3588 -a arm64-v8a -d mobilenet


3. push整个项目到RK平台：
adb root
adb remount
adb push install/rk3576_android_arm64-v8a/rknn_yolo11_demo/ /data/

修改后push特定文件到RK平台：
adb push install/rk3576_android_arm64-v8a/rknn_yolo11_demo/model/xxx.jpg /data/adb push install/rk3576_android_arm64-v8a/rknn_yolo11_demo/model

4. 执行程序：
adb shell
cd /data/rknn_yolo11_demo

export LD_LIBRARY_PATH=./lib:$LD_LIBRARY_PATH
./rknn_yolo11_demo model/yolov11n_1120n_rk3576_int8.rknn model/xxx.jpg

5. 输出结果为:
out.png

6. pull结果到当前目录:
adb pull /data/rknn_yolo11_demo/out.png