From 8876bb43847c526a55ed1c1b1c0b53c573f73760 Mon Sep 17 00:00:00 2001 From: ZIFENG278 Date: Fri, 30 Jan 2026 11:39:42 +0800 Subject: [PATCH] docs: fix the broken link in zh rknn docs Signed-off-by: ZIFENG278 --- docs/common/ai/_rknn_custom_yolo.mdx | 8 ++--- docs/common/dev/_rknn-install.mdx | 29 ++++++++++++++++++- .../common/dev/_rknn-toolkit-lite2-yolov5.mdx | 8 ++--- .../common/dev/_rknn-toolkit-lite2-yolov8.mdx | 4 +-- docs/common/dev/_rknn-toolkit2-pc.mdx | 2 +- docs/common/dev/_rknn-ultralytics.mdx | 4 +-- docs/common/dev/_venv_usage.mdx | 4 +-- 7 files changed, 42 insertions(+), 17 deletions(-) diff --git a/docs/common/ai/_rknn_custom_yolo.mdx b/docs/common/ai/_rknn_custom_yolo.mdx index 5af107338..3a14af3a6 100644 --- a/docs/common/ai/_rknn_custom_yolo.mdx +++ b/docs/common/ai/_rknn_custom_yolo.mdx @@ -1,4 +1,4 @@ -很多用户可以跑通 [RKNN Model Zoo](https://github.com/airockchip/rknn_model_zoo) 仓库里的 YOLO 模型示例，但反馈不知道如何转换自己训练的 YOLO 系列模型，在 [板端部署 YOLOv5 目标检测](rknn_toolkit_lite2_yolov5) 或者在 +很多用户可以跑通 [RKNN Model Zoo](https://github.com/airockchip/rknn_model_zoo) 仓库里的 YOLO 模型示例，但反馈不知道如何转换自己训练的 YOLO 系列模型，在 [板端部署 YOLOv5 目标检测](rknn-toolkit-lite2-yolov5) 或者在 [RKNN Model Zoo](https://github.com/airockchip/rknn_model_zoo) 中的 YOLO 系列模型， 使用的模型是 Rockchip 提供下载的 ONNX 模型和 radxa 提供的预编译 rknn 模型。此文档将讲述如何使用 RKNN 编译自训练的 YOLO 模型，并在板端上进行推理 @@ -106,7 +106,7 @@ Results saved to /mnt/ssd/rknn/rknn_model_zoo/examples/yolo11/model/runs/detect/ #### 使用 ultralytics 转换 -如果是 ultralytics 发布的模型，可以使用 Ultralytics 进行模型转换, 详细介绍请参考 [RKNN Ultralytics YOLOv11](./rknn_ultralytics) +如果是 ultralytics 发布的模型，可以使用 Ultralytics 进行模型转换, 详细介绍请参考 [RKNN Ultralytics YOLOv11](./rknn-ultralytics) @@ -160,7 +160,7 @@ Results saved to /mnt/ssd/rknn/rknn_model_zoo/examples/yolo11/model/runs/detect/ 如果非 ultralytics 的 yolo 模型，rknn_model_zoo/examples 下对应的 yolo 模型目录下都有一个 `python/convert.py` 脚本，可以使用此脚本对 ONNX 模型直接转换成 fp 格式的 RKNN 模型 将 pytorch 模型导出为 ONNX 模型后使用 convert.py 脚本指定量化类型为 `fp` 即可 -具体请参考 [板端部署 YOLOv5 目标检测](rknn_toolkit_lite2_yolov5#pc端模型转换) +具体请参考 [板端部署 YOLOv5 目标检测](rknn-toolkit-lite2-yolov5#pc端模型转换) ### 转换 INT8 量化模型 @@ -325,7 +325,7 @@ done - 修改 `rknn_model_zoo/py_utils/rknn_executor.py` 代码，**请备份原版代码** - 请根据[板端安装 RKNN Model Zoo](./rknn_model_zoo) 配置 RKNN Model Zoo 代码仓库 + 请根据 [板端安装 RKNN Model Zoo](./rknn-model-zoo) 配置 RKNN Model Zoo 代码仓库 diff --git a/docs/common/dev/_rknn-install.mdx b/docs/common/dev/_rknn-install.mdx index d54ebd397..0c11dc231 100644 --- a/docs/common/dev/_rknn-install.mdx +++ b/docs/common/dev/_rknn-install.mdx @@ -94,7 +94,7 @@ conda activate rknn -## 安装依赖包 +## 安装 rknn-toolkit2 @@ -129,6 +129,33 @@ $ python3 +## 安装 rknn-toolkit-lite2 + +:::tip +rknn-toolkit-lite2 区别于 rknn_toolkit2 是 rknn-toolkit-lite2 去除模型转换的功能仅集成 NPU 推理的 Python API， +体积更小巧。适合于仅在板端做推理的用户，用户可根据需求选择板端对应 python 版本的 rknn-toolkit-lite2。 +::: + + + +```bash +cd rknn-toolkit2/rknn-toolkit-lite2/packages +pip3 install rknn_toolkit2-2.3.2-cp3X-cp3X-manylinux_2_17_aarch64.manylinux2014_aarch64.whl +``` + + + +执行以下命令，若没有报错，则代表 rknn_toolkit-lite2 环境安装成功。 + + + +```bash +$ python3 +>>> from rknnlite.api import RKNNLite as RKNN +``` + + + ## 编译工具 编译板端运行代码时需要用到交叉编译工具链。 diff --git a/docs/common/dev/_rknn-toolkit-lite2-yolov5.mdx b/docs/common/dev/_rknn-toolkit-lite2-yolov5.mdx index 6888cb610..02245c021 100644 --- a/docs/common/dev/_rknn-toolkit-lite2-yolov5.mdx +++ b/docs/common/dev/_rknn-toolkit-lite2-yolov5.mdx @@ -1,5 +1,5 @@ :::tip -本文档旨在演示如何在 rockchip RK3588/3566 系列芯片上运行板端推理 YOLOv5 目标检测模型，所需环境配置请参考[ RKNN 安装](./rknn_install) +本文档旨在演示如何在 rockchip RK3588/3566 系列芯片上运行板端推理 YOLOv5 目标检测模型，所需环境配置请参考[ RKNN 安装](./rknn-install) ::: 此示例用 [rknn_model_zoo](https://github.com/airockchip/rknn_model_zoo) 中预训练好的 ONNX 格式模型为例子通过模型转换到板端推理做完整示例。 @@ -93,7 +93,7 @@ RK356X 产品用户使用 NPU 前需要在终端使用 **rsetup** 开启 NPU: `s - 修改 `rknn_model_zoo/py_utils/rknn_executor.py` 代码，**请备份原版代码** - 请根据[板端安装 RKNN Model Zoo](./rknn_install#可选-板端安装-rknn-model-zoo) 配置 RKNN Model Zoo 代码仓库 + 请根据 [RKNN Model Zoo](./rknn-model-zoo) 配置 RKNN Model Zoo 代码仓库 @@ -140,9 +140,9 @@ RK356X 产品用户使用 NPU 前需要在终端使用 **rsetup** 开启 NPU: `s - 进入虚拟环境 - 虚拟环境使用请参考: [Python 虚拟环境使用](./venv_usage) + 虚拟环境使用请参考: [Python 虚拟环境使用](../venv-usage) - 安装 rknn_toolkit-lite2 Python API 请参考 [板端虚拟环境中安装 rknn_toolkit-lite2 Python API](./rknn_install#可选-板端虚拟环境中安装-rknn_toolkit-lite2-python-api) + 安装 rknn_toolkit-lite2 Python API 请参考 [安装 rknn_toolkit-lite2](./rknn-install#安装-rknn_toolkit-lite2) - 安装依赖环境 ```bash diff --git a/docs/common/dev/_rknn-toolkit-lite2-yolov8.mdx b/docs/common/dev/_rknn-toolkit-lite2-yolov8.mdx index 119268210..a6c48ac51 100644 --- a/docs/common/dev/_rknn-toolkit-lite2-yolov8.mdx +++ b/docs/common/dev/_rknn-toolkit-lite2-yolov8.mdx @@ -1,5 +1,5 @@ :::tip -本文档旨在演示如何在 rk3588 上运行板端推理 YOLOv8 目标检测模型，所需环境配置请参考[ RKNN 安装](./rknn_install) +本文档旨在演示如何在 rk3588 上运行板端推理 YOLOv8 目标检测模型，所需环境配置请参考[ RKNN 安装](./rknn-install) ::: 此示例用 [rknn_model_zoo](https://github.com/airockchip/rknn_model_zoo) 中预训练好的 ONNX 格式模型为例子通过模型转换到板端推理做完整示例，此示例目标平台为 rk3588。 @@ -11,7 +11,7 @@ ### PC端模型转换 -**Radxa 已提供预转换好的 `yolov8.rknn` 模型，用户可直接参考[板端推理 YOLOv8 ](#板端推理-yolov8)跳过 PC 端模型转换章节** +**Radxa 已提供预转换好的 `yolov8.rknn` 模型，用户可直接参考 [板端推理 YOLOv8 ](#板端推理-yolov8)跳过 PC 端模型转换章节** - 如使用 conda 请先激活 rknn conda 环境 diff --git a/docs/common/dev/_rknn-toolkit2-pc.mdx b/docs/common/dev/_rknn-toolkit2-pc.mdx index 47fc35591..c7a241ad7 100644 --- a/docs/common/dev/_rknn-toolkit2-pc.mdx +++ b/docs/common/dev/_rknn-toolkit2-pc.mdx @@ -1,5 +1,5 @@ :::tip -本文档旨在演示如何在 x86 PC 上使用 rknn-toolkit2 脱离开发板模拟推理 YOLOv5 目标分割模型，所需环境配置请参考[ RKNN 安装](./rknn_install) +本文档旨在演示如何在 x86 PC 上使用 rknn-toolkit2 脱离开发板模拟推理 YOLOv5 目标分割模型，所需环境配置请参考[ RKNN 安装](./rknn-install) ::: ## 准备模型 diff --git a/docs/common/dev/_rknn-ultralytics.mdx b/docs/common/dev/_rknn-ultralytics.mdx index 8f9fc5e46..419694f8f 100644 --- a/docs/common/dev/_rknn-ultralytics.mdx +++ b/docs/common/dev/_rknn-ultralytics.mdx @@ -6,7 +6,7 @@ ## PC 端模型转换 -**Radxa 已提供预转换好的 `yolov11n.rknn` 模型，用户可直接参考[板端推理 YOLOv11 ](#板端推理-yolov11)跳过 PC 端模型转换章节** +**Radxa 已提供预转换好的 `yolov11n.rknn` 模型，用户可直接参考 [板端推理 YOLOv11](#板端推理-yolov11) 跳过 PC 端模型转换章节** - 安装最新版本的 ultralytics @@ -80,7 +80,7 @@ RK356X 产品用户使用 NPU 前需要在终端使用 **rsetup** 开启 NPU: `s - 在虚拟环境下安装最新版本的 ultralytics - 虚拟环境安装请参考 [Python 虚拟环境使用](venv_usage) + 虚拟环境安装请参考 [Python 虚拟环境使用](../venv-usage) diff --git a/docs/common/dev/_venv_usage.mdx b/docs/common/dev/_venv_usage.mdx index c44642608..7e897cdeb 100644 --- a/docs/common/dev/_venv_usage.mdx +++ b/docs/common/dev/_venv_usage.mdx @@ -11,10 +11,8 @@ error: externally-managed-environment ### 安装虚拟环境 -以 python3.11 为例子 - ```bash -sudo apt install python3.11-venv +sudo apt install python3-venv ``` ### 建立虚拟环境