之前写过两次yolov8目标检测部署，后续继续思考，针对部署还有优化空间，本示例的部署方式优化了部署难度，加快了模型推理速度（略微增加了后处理的时耗）。

特别说明：如有侵权告知删除，谢谢。

【完整代码】代码和模型

1、rknn模型准备

   onnx转rknn模型这一步就不再赘述，请参考上一篇 【yolov8n 瑞芯微RKNN和地平线Horizon芯片仿真测试部署，部署工程难度小、模型推理速度快】 。上一篇提供了完整的模型和代码，如果仅仅是想验证模型，可以直接拿提供的rknn模型进行后续的步骤，本篇也是基于上一篇转好的rknn模型进行的，在rk3588芯片部署测试。

2、C++代码准备

   本篇中的 C++ 代码基于瑞芯微官方提供的 rknpu2_1.3.0 进行的。官方提供的开源示例参考 ，提取码：rknn .

3、C++ 代码

   模型和图片读取部分参考官方提供的示例，详细代码请参本实例对应的github仓库，代码和模型 。本实例提供的完整代码也就只包含两个.c文件，阅读起来没啥难度。

4、编译运行

1）编译

cd examples/rknn_yolov8_demo_dfl_open

bash build-linux_RK3588.sh

2）运行

cd install/rknn_yolov8_demo_Linux

./rknn_yolov8_demo

注意：修改模型、测试图像、保存图像的路径，所在文件为 src 下main.cc文件。

5、板端效果

冒号“:”前的数子是coco的80类对应的类别，后面的浮点数是目标得分。（类别:得分）
（注：图片来源coco128）

说明：推理测试预处理没有考虑等比率缩放，激活函数 SiLU 用 Relu 进行了替换。由于使用的是coco128的128张图片数据进行训练的，且迭代的次数不多，效果并不是很好，仅供测试流程用。换其他图片测试检测不到属于正常现象，最好选择coco128中的图像进行测试。

6、模型和后处理时耗

  C++完整部署代码和模型示例参考

  把板端C++代码的模型和时耗也给贴出来供大家参考，使用芯片rk3588，模型输入640x640，类别80类。相对之前在rk3588上推理40ms，降到了17ms，后处理稍微有增加。

  上一篇【yolov8 瑞芯微 RKNN 的 C++部署】部署到rknn3588上的C++时耗

  本篇部署方法时耗

2024年1月12日：后处理代码有所优化，后处理时耗大幅度降低。（检测类别越多效果越明显，检测1个类别就没有优化效果，代码已同步到对应的代码仓中）