RK3588 部署 YOLO26 目标检测：从训练到 NPU 推理

Yolov26 在 Rk3588 上的 Rknn Onnx 部署实践（c++）

本文介绍了YOLOv26在RK3588平台的C++推理部署方案。重点包括：1）扩展Ultralytics导出格式，新增RKNN_ONNX专用导出选项；2）重构Detect Head结构，使其更适合RKNN推理；3）提供C++侧后处理实现建议。该方案保留了Ultralytics训练生态，通过优化模型结构输出，将解码等操作移至C++端，充分发挥Rockchip NPU性能。适用于RK3588/RK356x等平台，需配合rknn-toolkit2使用，为YOLOv26的嵌入式部署提供完整解决方案。

YOLO26实战部署RK3588：从环境搭建到NPU推理加速全指南

边缘计算场景中，目标检测模型的实时性取决于模型结构、量化策略与NPU工具链的协同优化。YOLO26作为新一代检测网络，在精度和小目标召回上显著提升，而RK3588集成的6 TOPS NPU为边缘部署提供了算力基础。然而，从PyTorch训练到RKNN转换再到板端推理，涉及算子兼容、INT8量化掉点、多核并行等关键环节。本文基于实际项目，完整梳理了YOLO26在RK3588上的部署流程，包括环境配置、剪枝与QAT量化、ONNX导出、RKNN模型生成以及C++/Python推理实现，并通过实测数据对比了不同配置

RK3588极速成功部署YOLO26完整全链条：从pt导出、ONNX转换到rknn-toolkit-lite2落地与CMA内存优化

帮助你顺利完成pt模型到瑞星微3588上rknn模型的高效部署

YOLO26部署RK3588实战：从PyTorch到RKNN板端推理加速

目标检测模型在边缘设备上的部署，一直是算法工程化落地的关键挑战。以YOLO系列为代表的高精度模型，在GPU上性能优异，但面对RK3588这类集成NPU的边缘SoC时，往往需要经过模型转换、算子适配与量化压缩等流程才能高效运行。RKNN工具链作为瑞芯微官方部署套件，提供了从ONNX到RKNN的完整转换能力，结合INT8混合量化与多核NPU调度，可在保留算法精度的同时大幅提升推理速度。在实际应用中，智能安防、工业质检与边缘计算盒子对实时性要求极高，如何将YOLO26等最新模型稳定跑在端侧，成为开发者普遍关注的工

YOLO26深度估计实战：从训练到RK3588边缘部署

深度估计是计算机视觉中的基础任务，旨在从平面图像中恢复场景中逐像素的距离信息，是自动驾驶、机器人导航与AR交互等应用的核心支撑技术。传统深度学习方案往往模型体积大、预处理复杂、部署链路长，与检测、分割任务缺少统一的工程框架，导致开发者每次切换任务都要重新搭建推理流程。随着Ultralytics将深度估计集成到YOLO26中，开发者可以借助同一套工具链完成数据准备、模型训练、验证与导出，大幅降低工程整合成本。本文从环境搭建、预训练模型推理、自定义数据集训练入手，介绍如何通过修改YAML配置接入RT-DETR结

YOLO26深度估计实战：从原理到RK3588部署

深度估计是计算机视觉中衡量像素级距离的核心任务，它帮助机器理解场景中每个点与相机的远近关系。相比依赖额外硬件的方案，单目深度估计仅用RGB图像即可输出深度图，却面临尺度模糊和边缘细节等挑战。Ultralytics将深度估计与目标检测、实例分割统一在同一框架中，用户可通过同一套API完成训练、推理和部署，大幅降低工程落地成本。该技术广泛应用于自动驾驶避障、机器人抓取、AR遮挡合成等场景。本文基于YOLO26的最新深度估计功能，从环境配置、快速推理到自定义数据集训练逐步展开，并详细讲解ONNX导出、RK3588

YOLO26在RK3588上的完整部署实践：从RKNN转换到C++推理优化

边缘计算设备上的AI模型部署需要兼顾算法精度与硬件算力。深度学习模型经ONNX导出后，需通过RKNN工具链进行量化与算子适配，才能高效运行于NPU之上。本文将围绕模型优化、C++推理工程与性能调优，分享YOLO26在RK3588平台上的完整落地经验。实际部署中，注意力模块的算子兼容性、int8量化校准以及CPU与NPU的协同调度，直接决定最终帧率与检测效果。从工业质检到安防监控，这一组合为端侧实时检测提供了高性价比方案。整条链路覆盖环境搭建、模型转换、板端实现与优化技巧，为同类项目提供可复用的参考。

RK3588平台开发系列讲解（项目篇）YOLOv5部署测试

📢 Yolov5是一种目标检测算法，属于单阶段目标检测方法，是在COCO数据集上预训练的物体检测架构和模型系列，它代表了Ultralytics对未来视觉AI方法的开源研究， 其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。 最新的YOLOv5 v7.0有YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x等，除了目标检测，还有分割，分类等应用场景。

边缘AI工业落地：YOLO26-Seg + RK3588 NPU 极致部署（低功耗+实时实例分割，工业场景全覆盖）

本次实战汇总了「YOLO26-Seg+RK3588 NPU」工业边缘部署中最常见、最致命的8个坑点，所有坑点均来自真实工业项目，解决方案均为零代码/一键操作，无需复杂配置，能让你少走90%的弯路，节省大量时间，必看必记！❌ RKNN转换报错「算子不支持/模型加载失败」→ ✅ 导出ONNX时必须指定opset=12，重新导出即可，RK3588唯一兼容版本；❌ 分割mask错位/轮廓模糊 → ✅ 导出ONNX时加，并保证RKNN的归一化参数与YOLO26一致，零代码修复；

YOLO-RK：面向RK3588 NPU的全INT4量化框架实战——12ms低延迟与2.1W低功耗的双重突破

YOLO-RK 的诞生源于瑞芯微 AI 实验室与高校团队的深度合作，双方凭借各自在工业实践与学术研究领域的优势，致力于攻克边缘 AI 部署难题。其核心技术融合了硬件感知的非对称量化与梯度补偿训练，这一创新性技术组合专为 RK3588 NPU 量身定制。通过硬件感知的非对称量化，YOLO-RK 能够充分挖掘 RK3588 NPU 的硬件特性，精准适配硬件计算资源，最大程度减少量化误差，在将模型量化至 INT4 的同时，有效保留模型关键信息；

RK3588 部署 YOLO26 目标检测：从环境搭建到 NPU 推理

采集图像（500+ 张，覆盖不同光照和角度）→ 筛选（删除模糊、无目标的图像）→ LabelImg 标注（选择 YOLO 格式）→ 划分 train:val:test = 7:2:1labelImg├── train/├── val/nc: 3类别顺序必须与 LabelImg 标注时一致。YOLO26 在 RK3588 上的部署流程是 PC 端训练 → ONNX 导出（opset=11）→ RKNN 转换（INT8 量化）→ 板端推理。

物料帐配置之 重估消耗

物料帐配置 ML material ledger

Python 音频: sounddevice 使用 左声道/右声道/立体声 --- 播放,录音

# coding: utf8 """ Python 音频: 使用 sounddevice 操作声卡的 左声道, 右声道, 立体声 仅限 MME, Windows DirectSound, Windows WASAPI, Windows WDM-KS 等支持双声道的驱动类型 """ import os import sounddevice as sd import soundfile mapping_left_ch = 1 # 左声道为 1 mapping_right_ch

FPGA矩阵键盘计算器Verilog实现与Quartus仿真全流程解析

本文详细解析了基于FPGA和Verilog的矩阵键盘计算器实现全流程，包括矩阵键盘扫描、状态机设计、算术运算逻辑及数码管显示驱动。通过Quartus仿真与Testbench测试，确保设计稳定性与准确性，适合数字逻辑设计初学者学习FPGA开发与硬件描述语言应用。

基于ROS2系统开发机器人

以上是基于ROS 2开发机器人的基本流程和一个简单的发布者-订阅者示例。通过这个流程，你可以逐步扩展和优化你的机器人系统，实现更复杂的功能。

由ip地址和子网掩码求网络号、主机号、广播地址（超详细）

1、用二进制数表示IP地址   在进行计算之前，我们首先要学会十进制的IP地址怎么转换为二进制的IP地址。   给出一个例子： 十进制：172.16.25.3 二进制：10101100.00010000.00011001.00000011 1、如果两台主机的网络号相同，我们就说它们是同一网段 2、主机号的意义 - 1）主机号部分全变成1，即为该网段的广播地址 - 2）主机号部分全变成0，即为该网段的网路地址（网络号） 3、如果主机号部分为x位，则该网络能容纳最大主机数为： 2的x次方-2。减2

为什么先进工艺需要check那么多corner？

那么hold slack = launch clock path delay + data path delay - capture_clock_path_delay = -capture_clock_path_delay，也就是说，capture clock path delay越大，hold越难满足。而且，我们在设计的时候，一般clock频率都会过约，所以是有较大的margin的。有的foundry还会对rc的取值范围进行了约束，如cworst_T，采用的是1.5 sigma的取值范围。

【100%通过率】华为OD机试真题 Python 实现【投篮大赛】【2022.11 Q4 新题】

你现在是一场采用特殊赛制投篮大赛的记录员。这场比赛由若干回合组成，过去几回合的得分可能会影响以后几回合的得分。比赛开始时，记录是空白的。你会得到一个记录操作的字符串列表 ops，其中ops[i]是你需要记录的第i项操作，ops遵循下述规则： 整数x-表示本回合新获得分数x “+” – 表示本回合新获得的得分是前两次得分的总和。 “D” – 表示本回合新获得的得分是前一次得分的两倍。 “C” – 表示本回合没有分数，并且前一次得分无效，将其从记录中移除。 请你返回记录中所有得分的总和。

一文吃透 SAP HANA JSON Document Store：从架构到实战的完整指南

本文详细介绍了SAP HANA的JSON Document Store功能，包括其定位、架构、典型场景以及具体使用方法。文章首先分析了半结构化数据场景下传统关系模型的局限性，说明Document Store如何通过集合(Collection)存储JSON文档来提供灵活性。随后详细阐述了启用方式、SQL语法、与Column Store的联动机制，并提供了大量可直接复用的实战案例。特别强调了Document Store作为HANA内建服务的优势，包括企业级一致性、备份恢复等能力。最后给出了数据类型处理和跨引擎协

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件