一、训练模型
项目地址：https://github.com/THU-MIG/yolov10
下载项目：
git clone https://github.com/THU-MIG/yolov10.git
按照官方文档安装环境：
conda create -n yolov10 python=3.9
conda activate yolov10
pip install -r requirements.txt
pip install -e .
准备训练数据：
新建文件zt30.yaml，写入下面文档，这里改成自己的数据集位置，标签信息按照自己的情况进行修改:
# moncake
train: E:\python-project\yolov10\ultralytics\datasets\zt30\train
val: E:\python-project\yolov10\ultralytics\datasets\zt30\valid
test: E:\python-project\yolov10\ultralytics\datasets\zt30\test
# Classes
names:
0: ZT30
训练模型：
yolo detect train data=E:\python-project\yolov10\ultralytics\datasets\zt30.yaml model=yolov10s.pt epochs=500 imgsz=640 device=0
这里是训练500次，图像大小640，使用第一个GPU进行训练，按自己的条件进行调整。
训练完成后会在yolov10\runs\detect\train\weights目录下面产生一个best.pt的模型文件，这就是我们训练好的模型；
二、pt转onnx
将yolov10项目下的这两个文件进行修改：
添加这部分代码，其中导出的模型位置和模型图像大小按照自己的情况调整：
print("=========== onnx =========== ")
import torch
self.model = self.model.fuse()
dummy_input = torch.randn(1, 3, 640, 640)
input_names = ["data"]
output_names = ["reg1", "cls1", "reg2", "cls2", "reg3", "cls3"]
torch.onnx.export(self.model, dummy_input, "E:\\python-project\\yolov10\\runs\\detect\\train\\weights\\best.onnx", verbose=False, input_names=input_names, output_names=output_names, opset_version=11)
print("======================== convert onnx Finished! .... ")
# 导出onnx增加
y = []
for i in range(self.nl):
t1 = self.one2one_cv2[i](x[i])
t2 = self.one2one_cv3[i](x[i])
y.append(t1)
y.append(t2)
return y
编写一个python脚本test.py，模型、资源文件、GPU等信息改成自己的：
from ultralytics import YOLOv10
# 推理
model = YOLOv10('E:\\python-project\\yolov10\\runs\\detect\\train\\weights\\best.pt')
results = model(task='detect', mode='predict', source='E:\\python-project\\yolov10\\ultralytics\\datasets\\zt30\\test\\images\\Screenshot_20240611-142421.png', line_width=3, show=True, save=True, device=0)
运行脚本：
python test.py
输出会报错，但是不影响模型生成，会在yolov10\runs\detect\train\weights目录生成onnx模型文件
三、onnx转rknn
onnx转rknn需要用到rknn-toolkit2，这个工具暂时不支持windows，所以我们移步linux，我用的是虚拟机创建的ubuntu20.4的系统，建议使用conda管理环境，我这里使用conda安装了python3.8
rknn-toolkit2项目地址：https://github.com/airockchip/rknn-toolkit2/tree/master
将项目中http://rknn-toolkit2/rknn-toolkit2/packages/目录下的requirements_cp38-2.0.0b0.txt和rknn_toolkit2-2.0.0b0+9bab5682-cp38-cp38-linux_x86_64.whl下载下来，上传到虚拟机的一个目录下
安装依赖：
pip install -r requirements_cp38-2.0.0b0.txt
安装rknn_toolkit2
pip install rknn_toolkit2-2.0.0b0+9bab5682-cp38-cp38-linux_x86_64.whl
下载一位大佬提供写好的代码进行转化：
项目地址：https://github.com/cqu20160901/yolov10_onnx_rknn_horizon_tensorRT/tree/main
按下图所示，将onnx模型换成自己的，将onnx2rknn_demo_ZQ.py文件中的标签集和模型尺寸修改为自己的
运行脚本就会生成rknn模型
python onnx2rknn_demo_ZQ.py
四、在rk3588S上使用rknn进行目标检测
将自己的rknn模型上传到板子上，再在板子上安装rknn-toolkit-lite2，将上面的requirements_cp38-2.0.0b0.txt和同一个项目下的rknn_toolkit_lite2-2.0.0b0-cp38-cp38-linux_aarch64.whl下载下来上传到板子的某个目录下
安装依赖：
pip install -r requirements_cp38-2.0.0b0.txt
安装rknn-toolkit-lite2
pip install rknn_toolkit_lite2-2.0.0b0-cp38-cp38-linux_aarch64.whl
下载同样由上面那位大佬提供的示例代码：https://github.com/cqu20160901/yolov10_rknn_Cplusplus
将main文件下的模型路径和检测图片等路径修改成自己的
将include/postprocess.h文件中的标签类目数量ClassNum修改为自己的
编译
bash build-linux_RK3588.sh
运行
cd install/rknn_yolov10_demo_open
./rknn_yolov10_demo
至此完成了识别过程，我这里对标签进行了翻译，如果没有做调整这里不是zt30，而是数字，另外如果你发现你识别出来的精度和pt模型的精度不一致，应该是检测图像尺寸问题，这个有很多种办法处理，这里不再赘述。
参考资料：
https://github.com/THU-MIG/yolov10
https://github.com/airockchip/rknn-toolkit2
https://github.com/cqu20160901/yolov10_onnx_rknn_horizon_tensorRT
https://github.com/cqu20160901/yolov10_rknn_Cplusplus
