需要用到的工具：rknn-toolkit2、yolov5
RKNN 软件栈可以帮助用户快速将 AI 模型部署到 Rockchip 芯片上。总体框架如下：

为了使用 RKNPU，需要先在电脑上运行 RKNN-Toolkit2 工具，将训练好的模型转换为 RKNN 格式的模型，然后在开发板上使用 RKNN C API 或 Python API 进行推理。

RKNN-Toolkit2 是一款软件开发套件，供用户在 PC 和 Rockchip NPU 平台上进行模型转换、推理和性能评估。

RKNN-Toolkit-Lite2 为 Rockchip NPU 平台提供 Python 编程接口，帮助用户部署 RKNN 模型，加速 AI 应用的落地。

RKNN Runtime 为 Rockchip NPU 平台提供 C/C++ 编程接口，帮助用户部署 RKNN 模型，加速 AI 应用的落地。

RKNPU 内核驱动负责与 NPU 硬件交互。它一直是开源的，可以在 Rockchip 内核代码中找到。

• 首先，根据这个地址去下载rknn-toolkit2：https://github.com/airockchip/rknn-toolkit2/tree/v2.1.0?tab=readme-ov-file
• 其次，下载yolov5：https://github.com/ultralytics/yolov5

下载之后安装相应的环境：yolov5的环境安装就不在此过多赘述了。对yolov5进行训练，然后pt转化为onnx，这里需要对原始的yolov5
模型做一些修改，主要是将官方的模型的box decode删除。
然后再利用rknn-toolkit2//rknpu2/examples/rknn_yolov5_demo/convert_rknn_demo/yolov5做转化，转成rknn进行部署。
安装rknn所需环境参考这篇：https://blog.csdn.net/sinovoip/article/details/143294558

最后的检测结果如下：