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

文章目录

• • 概要
  • 项目依赖
  • 一、导出格式扩展：新增 RKNN_ONNX
  • • 1. 修改 `ultralytics/engine/exporter.py`
    • • 1.1 扩展 `export_formats`
      • 1.2 修改 `Exporter.__call__()` 中的 flags 解包
    • 2. 新增导出函数 `export_rknn_onnx`
  • 二、AutoBackend 识别新模型类型
  • 三、Detect Head 重构（关键步骤）
  • • 修改 `ultralytics/nn/modules/head.py`
    • 这样做的原因
  • 四、C++ 推理侧建议
  • 五、 具体效果模型结构

概要

本文介绍 YOLOv26 在 RK3588 平台上的部署方案（C++ 推理侧），重点在于：

• 基于 Ultralytics YOLOv26 的模型导出改造
• 新增 RKNN_ONNX 导出格式，用于对接 rknn-toolkit2 / rknn_model_zoo
• 对 Detect Head 进行重构，使导出的 ONNX 更适合 RKNN 推理

该方案适合：

• RK3588 / RK356x 等 Rockchip NPU
• 使用 C++ + RKNN SDK 部署 YOLOv26
• 希望保留 Ultralytics 训练与导出生态的用户

项目依赖

• ultralytics

说明：本文不涉及 rknn-toolkit2 的安装与量化流程，仅聚焦 模型导出与结构适配。

一、导出格式扩展：新增 RKNN_ONNX

1. 修改 ultralytics/engine/exporter.py

1.1 扩展 export_formats

在 export_formats() 返回列表末尾新增一项：

[\”RKNN_ONNX\”, \”rknn_onnx\”, \”_rknn_model\”, False, False, [\”batch\”, \”name\”]],

这样可以在 CLI 中直接使用：

yolo export model=yolov26.pt format=rknn_onnx

1.2 修改 Exporter.__call__() 中的 flags 解包

在 flags 元组中加入 rknn_onnx：

(
jit,
onnx,
xml,
engine,
coreml,
saved_model,
pb,
tflite,
edgetpu,
tfjs,
paddle,
mnn,
ncnn,
imx,
rknn,
executorch,
axelera,
rknn_onnx, # 新增
) = flags

并在后续导出逻辑中调用：

if rknn_onnx:
f[17] = self.export_rknn_onnx()