想要在嵌入式邊緣設備上實現實時的AI視覺分析？面對復雜的模型轉換和部署是否感到無從下手？本文將手把手帶你完成YOLOv8目標檢測與語義分割模型在迅為RK3588開發板上的無縫部署與推理實戰。依托迅為RK3588內置的強大NPU，我們無需深入底層代碼，即可快速驗證AI模型性能，為智能監控、機器人、工業質檢等應用開發鋪平道路。

1. 開發平臺簡介：為什么選擇迅為RK3588？
   
   工欲善其事，必先利其器。本次實戰的核心硬件平臺——迅為iTOP-RK3588開發板，是一款面向高端AIoT應用的核心板。
   
   ·強大算力核“芯”：搭載瑞芯微RK3588旗艦級八核處理器，集成了6TOPs算力的NPU（神經網絡處理單元），專為加速AI推理任務而生，能夠高效處理YOLOv8這類復雜的視覺模型。
   ·全流程開發支持：迅為提供了從硬件驅動、系統構建到AI部署的完整資料包。本文使用的例程便來自于其豐富的NPU例程測試配套資料，開箱即用，極大降低了開發門檻。
   ·豐富生態與拓展性：板載豐富的接口（如MIPI-CSI、HDMI、以太網等）和強大的多媒體處理能力，使其不僅能跑通模型，更能輕松集成到真實的視頻流采集、分析和顯示系統中，完成從原型到產品的快速過渡。

二、實戰一：YOLOv8目標檢測模型部署

目標檢測是計算機視覺的基石任務，用于識別圖像中的物體并定位其位置。下面我們開始在RK3588上運行YOLOv8檢測模型。

1. yolov8目標檢測

編譯好的yolov8例程已經放在了“iTOP-3588開發板\02_【iTOP-RK3588開發板】開發資

料\15_NPU例程測試配套資料\08_rknn_model_zoo測試\16_ yolov8”目錄下，如下圖所示：

將該文件拷貝到開發板上，并解壓，解壓完成如下圖所示：

然后進入該文件夾，使用以下命令運行可執行文件，實現圖片的位置和種類識別，如下圖

所示：

export LD_LIBRARY_PATH=./lib

./rknn_yolov8_demo model/yolov8.rknn model/bus.jpg

最后會在當前目錄下生成推理完成的圖片，如下圖所示：

可以看到不同的人以及公交車就被識別了出來，證明模型推理成功。

2.yolov8_seg語義分割

編譯好的yolov8_seg例程已經放在了“iTOP-3588開發板\02_【iTOP-RK3588開發板】開發

資料\15_NPU例程測試配套資料\08_rknn_model_zoo測試\17_yolov8_seg”目錄下，如下圖所

示：

將該文件拷貝到開發板上，并解壓，解壓完成如下圖所示：

然后進入該文件夾，使用以下命令運行可執行文件，實現圖片的位置和種類識別，如下圖

所示：

export LD_LIBRARY_PATH=./lib

./rknn_yolov8_seg_demo model/yolov8-seg.rknn model/bus.jpg

最后會在當前目錄下生成推理完成的圖片，如下圖所示：

可以看到不同的人以及公交車就被分割了出來，證明模型推理成功。