Fetch the repository succeeded.
yolov9 瑞芯微 rknn 板端 C++部署，使用平台 rk3588。模型转换参考 【yolov9 瑞芯微芯片rknn部署、地平线芯片Horizon部署、TensorRT部署】 。
模型文件比较大存放路径【rknn模型链接】
1）编译
cd examples/rknn_yolov9_demo_dfl_open
bash build-linux_RK3588.sh
2）运行
cd install/rknn_yolov9_demo_dfl_open
./rknn_yolov8_demo
注意：修改模型、测试图像、保存图像的路径，修改文件为src下的main.cc
int main(int argc, char **argv)
{
char model_path[256] = "/home/zhangqian/rknn/rknpu2_1.4.0/examples/rknn_yolov9_demo_dfl_open/model/RK3588/yolov9_relu_80class_zq.rknn";
char image_path[256] = "/home/zhangqian/rknn/rknpu2_1.4.0/examples/rknn_yolov9_demo_dfl_open/test.jpg";
char save_image_path[256] = "/home/zhangqian/rknn/rknpu2_1.4.0/examples/rknn_yolov9_demo_dfl_open/test_result.jpg";
detect(model_path, image_path, save_image_path);
return 0;
}
冒号“:”前的数子是coco的80类对应的类别，后面的浮点数是目标得分。（类别:得分）
说明：训练代码参考官方开源的yolov9训练代码，考虑到有些板端对SiLU的支持有限，本示例训练前把激活函数SiLU替换成了ReLU，训练使用的模型配置文件是yolov9.yaml，输入分辨率640x640。用 from thop import profile 统计的模型计算量和参数 Flops: 120081612800.0（120G），Params: 55388336.0（55M）
把板端模型推理和后处理时耗也附上供参考，使用的芯片rk3588，模型输入640x640，检测类别80类。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。