环境 

使用的虚拟机：Ubuntu 64_2004_rv1126B_yolov11（虚拟机登录密码：123456）

工具链：gcc-linaro-6.3.1-2017.02-x86_64_arm-linux-gnueabihf

yolov11版本：ultralytics-main

链接： https://pan.baidu.com/s/11VXeBSWKJudZFxKL2my8Fg 提取码: 6m74 (需要解压码)

1、模型转换（pt转onnx）

当前的模型转换需要修改一下源代码：修改head.py文件实现输的是1*144*80*80，1*144*40*40，1*144*20*20模型

head.py文件中的class Detect(nn.Module):类中的def forward(函数，添加代码如下

        # ✅ 导出时直接输出 feature map（3个尺度）
        if self.export:
            outputs = []
            feats = preds["one2many"]["feats"] if self.end2end else preds["feats"]

            for i in range(self.nl):
                # box + cls 拼接（还没 decode）
                box = self.cv2[i](feats[i])
                cls = self.cv3[i](feats[i])
                out = torch.cat((box, cls), 1)  # (1, no, h, w)
                outputs.append(out)

            return outputs  # ✅ 返回3个输出

转换的脚本，打开虚拟机

cd /home/wyj/wyj/ultralytics-main
conda activate yolov11
python export.py 

如需要更换模打开文件export.py,更换模型的名字就可以了

2、模型转换（onnx转rknn）

cd /home/wyj/wyj/ultralytics-main
conda activate yolov11
python test.py 

如果需要更换模型打开源test.py文件后修改一下的位置

dataset.txt文件中放置的是量化的图片路径。

转换后的墨香检测结果保存路径Save results to result.jpg!

3、板端测试程序编译

cd /home/wyj/wyj/rknn-toolkit2-master/rknpu2/examples/rknn_yolov11_demo
conda activate yolov11
./build-linux.sh -t rv1126b -a armhf -b Release

本人测测试系统是32位的（所以使用的库也是32位的）。生成的可执行文件就是在当前目录下的install文件夹，推送到板端就可以测试了。

后端的处理时间较长，大概是100ms左右，以下是优化后的后处理部分，大概后处理部分是10ms左右。

cd /home/wyj/wyj/rknn-toolkit2-master/rknpu2/examples/rknn_yolov11_demo_5ms
conda activate yolov11
./build-linux.sh -t rv1126b -a armhf -b Release

将生成的文件使用adb的方式推送到板端

./adb push install/rknn_yolov5_demo_Linux /wyj/
./adb shell    
cd wyj
chmod -R 777 *
export LD_LIBRARY_PATH=./lib
./rknn_yolov5_demo model/RV1126Byolov11n_relu.rknn model/bus.jpg    
#接测结果推送到本地
./adb pull /wyj/out.jpg

优化前后的对比截图

测试结果