YOLOv8 多路识别

在 RK3588 NPU 上使用 YOLOv8 进行多路视频目标检测。

特性

• 多路处理: 同时支持 9+ 路视频流
• 3 核 NPU 加速: 充分利用 RK3588 的 3 个 NPU 核心
• Pipeline 架构: 解码 → NPU 推理 → 后处理 → 显示
• 实时显示: 网格显示，带帧率统计（视频帧率 + 推理帧率）
• Letterbox 预处理: 保持宽高比，保证检测精度

安装方法

克隆项目仓库

Device

git clone https://github.com/ZIFENG278/RK3588-Multi-Stream-YOLOv8-Detection.git

安装依赖

提示

请在 python 虚拟环境 中安装相关依赖

Device

pip3 install rknn-toolkit-lite2 opencv-python

使用方法

基本运行（9 路，3 核）

提示

--video-dir 请指定包含视频文件的文件夹

Device

python3 main_rknn_pipeline.py --video-dir ./video

无显示模式（适合测试）

Device

python3 main_rknn_pipeline.py --video-dir ./video --no-display --max-frames 100

自定义参数

Device

python3 main_rknn_pipeline.py \
    --num-streams 6 \
    --num-cores 3 \
    --model yolov8n-i8-3588.rknn \
    --video-dir video \
    --conf-threshold 0.5 \
    --iou-threshold 0.45

命令行参数

参数	默认值	说明
--num-streams	9	视频流数量
--num-cores	3	NPU 核心数 (1-3)
--model	yolov8n-i8-3588.rknn	模型文件路径
--video-dir	video	视频目录
--conf-threshold	0.4	置信度阈值
--iou-threshold	0.45	NMS IoU 阈值
--no-display	False	禁用显示
--max-frames	None	限制帧数

性能参考

测试条件

Device

python main_rknn_pipeline.py \
    --num-streams 9 \
    --num-cores 3 \
    --model yolov8n-i8-3588.rknn \
    --video-dir video \
    --max-frames 1000

硬件	内存	视频数量	NPU 核心	模型	量化方式	帧数
ROCK5B+	8GB	9	3	yolov8n	INT8	1000

测试结果

阶段	耗时 (avg ms)
解码	2.24
预处理	2.00
NPU 推理	25.77
后处理	15.66
绘制	1.43
总计	47.10