RK平台上有RGA (Raster Graphic Acceleration Unit) 加速，使用RGA可以减少资源占用、加速图片处理速度。因此，在部署YOLOv8是针对RGA和OpenCV的分别进行了实现，并对性能、速度和资源占用进行对比。

COCO标签转YOLO：将下载的训练集标签instances_train2017.json和验证集标签instances_val2017.json转成YOLO格式。

对YOLOv8和YOLOv8-pose，使用RKNN官方代码转ONNX，主要用于在RK3588上的模型部署，方便后续ONNX转RKNN，可以使用RK官方代码一键转换+部署。

本文实现ultralytics框架下的yolo知识蒸馏代码的添加，支持yolov3/v5/v6/v8/v9/v10/11等模型，同时支持cls/det/obb/pose/seg等任务。本文以具体实现yolov8-pose的知识蒸馏为例，给出了需要添加的代码。

对YOLOv8手部检测模型进行训练，并分析训练结果，从而调优训练超参数。

对YOLOv8手部检测模型进行训练，并分析训练结果，从而调优训练超参数。

对YOLOv8-pose手部关键点检测模型进行训练，并分析训练结果，从而调优训练超参数。

手部姿态估计、手势识别和手部动作识别等任务时，可以转化为对手部关键点的分布状态和运动状态的估计问题。本文主要给出手部关键点数据集获取的方式。总共获取三个数据集：handpose_v2、HaGRID-pose和hand_keypoint_26K。正样本总计：593,661张图片（53.33W张用于训练，6.04W张用于验证和测试）。

实际工程中，仅仅使用采集到的数据（或者说单一的数据集）进行训练，会导致网络在真实未知的场景下，极其容易发生误检。因此，网络需要见识不同的场景数据才更具有鲁棒性。

原始deepsort主要用于行人、车辆追踪，因此不区分类别，只给出跟踪id。自己使用的场景中，存在不同类别的物体需要跟踪，希望能够对每一类物体的跟踪id，分别从0开始编号。