一、环境配置

balenaEtcher先下载，卡和读卡器一定要有，照官方给的步骤来安装自己所需要的系统，没什么好说的

再去github找到rknn-toolkit2，先保存到电脑中

插卡，网卡自备，另需hdmi数据线和显示器，只有笔记本的买个hdmi转usb，下载obs，怎么进入输出通道自行搜索教程，键盘和鼠标也要，然后上电

网络连接（没网线的，手机开热点给电脑，电脑再开热点得到派的IP，去网络设置的热点中复制IP），网络设置中要勾选保存网络

二、vnc/ssh配置

vnc

路线：VNC查看器（PC端）——IP地址连接——VNC服务器（香橙派端）

任务:

1)香橙派 RK3588 默认没有开启 VNC 服务器，需手动开启 

菜单栏→Settings→系统设置→找到远程桌面Remote Desktop ，将 “启用远程桌面”（Enable Remote Desktop ）的开关打开。

2）打开终端，桌面空白处右键单击Open in Terminal （Ctrl + Alt + T ），在终端中输入sudo apt update ，然后按下回车键，安装 VNC 服务器软件（比如，sudo apt install tightvncserver，回车）

3）启动 VNC 服务器，在终端中输入vncserver :1 （这里的:1表示第一个 VNC 显示端口，可按需调整 ）回车，再次启动后vnc需要设置用户密码

4）安装VNC查看器（PC端），Putty、TigerVNC（官方的网址为：https://tigervnc.org/）工具等等按需下载

然后输入你设置的用户账号密码，sudo orangepi-config，选第三个（注意用的上下箭头操作）

vnc

这样就能进入香橙派桌面了

ssh

这里我使用的ssh连接器是MobaXterm，配置简单，同样让派先连上热点获取到IP，具体使用上b站搜索

三、yolov8.pt转.onnx（其他作者文章很细致了，如果模型做过魔改，先试试能不能成功）

失败了的话，下载并安装 Netron，拖入生成的 .onnx 文件，查看模型的计算图结构，RK3588 通常使用的是支持 ONNX 的推理框架，比如 TNN、MNN、NCNN 等，这些框架对 ONNX 的 opset 版本有支持要求，如果模型的 opset 版本过高，可能不被支持，导致转换或运行失败，所以需要确保 opset 版本在目标框架支持的范围内，选择老一点的版本更加稳妥，参考着使用 torch.onnx.export 的 opset_version 参数。

处理 opset 版本：在使用 PyTorch 导出 ONNX 时，通过 opset_version 参数指定兼容目标框架的版本

torch.onnx.export(  
    model,  
    input_tensor,  
    "model.onnx",  
    opset_version=12,  # 编辑指定opset版本  
    input_names=["input"],  
    output_names=["output"]  
)  

 四、将 ONNX 模型转换为 RK3588 NPU 支持的格式

步骤：1. 安装 rknn-toolkit2；2. 转换 ONNX 到 RKN，写转换脚本；3. 安装依赖；4. 放置文件并运行。

1.配置 NPU 加速环境

终端下载，复制粘贴下面两条指令

git clone https://github.com/rockchip-linux/rknn-toolkit2.git

回车

git checkout v1.4.0 # 按实际需求选版本

如果失败了，去找到之前github下载的文件包解压，上传打开该文件夹，在此文件中运行终端

2.将 ONNX 模型转为 RK3588 NPU 支持的格式.rknn

写入脚本，去找个靠谱的ai问清楚各行代码起到什么作用

import rknn.api

# 初始化RKNNToolkit
rknn = rknn.api.RKNN()

# 配置模型输入
input_size_list = [320]  # 按YOLOv8实际输入尺寸调整
config = {'mean_values': [[0, 0, 0]], 'std_values': [[255, 255, 255]], 'input_size_list': [input_size_list]}
rknn.config(**config)

# 加载ONNX模型
onnx_model_path = 'yolov8.onnx'  # 替换为你的ONNX路径
rknn.load_onnx(model=onnx_model_path)

# 构建模型
rknn.build(do_quantization=True, dataset='dataset.txt')  # 若量化需准备数据集文本

# 导出RKN模型
rknn.export_rknn('yolov8.rknn')  # 生成NPU可用模型
rknn.release()

再运行脚本python 你的命名.py

3. 安装依赖库

激活虚拟环境

这里看个人是否有conda有activate用到py37，环境不多做解释了，需要了解还是翻官网手册更好

conda activate py37

安装依赖

pip install opencv - python -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pyserial
pip install --upgrade pip 

4. 准备推理脚本并运行 

编写推理脚本（detect.py，根据yolov8网络结构做修改）

import cv2
import rknn.api
#只是模板一部分而已
# 初始化RKNNToolkit并加载模型
rknn = rknn.api.RKNN()
rknn.load_rknn('yolov8.rknn')
  # 'yolov8.rknn'替换为实际路径！！！不确定的，去cp再拷一份进去，记得放绝对路径中更好找到
rknn.init_runtime()

# 读取图像并预处理
img = cv2.imread('test.jpg')  # 替换为摄像头输入或图像路径，摄像头通道获取另说
img = cv2.resize(img, (640, 640))  # 按模型输入调整尺寸
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
output = rknn.inference(inputs=[img])

# 然后处理输出（需按YOLOv8输出格式解析，如解码边界框、置信度等）不会改有ai能问

rknn.release()

 然后将yolov8.rknn和detect.py放到香橙派home或者什么地方中自行定义，运行

python detect.py

 我后续会整理出来一些报错清单及解决措施，可持续关注，文章大致完整但缺少截图细节，后续一并补充，感谢阅读。