算法：

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

GitHub - ifzhang/ByteTrack: ECCV 2022] ByteTrack: Multi-Object Tracking by Associating Every Detection Box

部署

(【RK3588-linux开发】3、训练yolov5并在RK3588上运行_stupid_miao的博客-CSDN博客

rockchip-linux/rknn-toolkit (github.com)

Linux开发板的使用：说明文档\用户手册和原理图\OrangePi_5_RK3588S_用户手册_v1.2.pdf

Rockchip的使用：说明文档\NPU使用文档\Rockchip_User_Guide_RKNN_Toolkit2_CN-1.4.0.pdf

深度学习训练：yolov5

模型部署：pt模型转onnx模型，onnx模型转rknn模型【Rockchip】

Orange Pi 5（rk3588） 拥有6TOPS算力的NPU

说明文档\用户手册和原理图\OrangePi_5_RK3588S_用户手册_v1.2.pdf 中有详细的介绍，用自己熟悉的方法登录即可。

个人使用的是3.7章SSH远程登录，下面进行介绍。

WiFi连接网络，网线连接笔记本跟开发板。在网络连接中，将WLAN设置为共享，将网络共享给以太网口。这样子笔记本跟开发板就处于同一局域网，并且使用笔记本的网络进行联网。

使用Advanced IP Scanner搜索局域网中的ip，找到orangepi5，使用xshell进行SSH连接。

登录效果如下图所示。

已有的开发板已经搭建完成，可以不重复操作。

sudo apt-get install build-essential
sudo apt install cmake
sudo apt-get install libopencv-dev
sudo apt install libeigen3-dev

/home/orangepi/rknpu2-master/examples/rknn_yolov5_e

路径下相关内容介绍：

├── build 编译的中间文件 ├── build-linux_RK3588.sh 编译脚本 ├── CMakeLists.txt CMake配置文件 ├── convert_rknn_demo ONNX模型转rknn模型 ├── include 头文件 ├── install 编译完成后的安装路径 ├── model 模型路径 ├── README.md 说明文档 └── src 主要代码 ├── BYTETracker.cpp bytetrack算法实现，速度计算以及活跃度也在其中 ├── kalmanFilter.cpp ├── lapjv.cpp ├── main.cc 全部算法实现 ├── postprocess.cc ├── STrack.cpp └── utils.cpp

编译：./build-linux_RK3588.sh

./rknn_yolov5_e [模型路径] [rtmp流/视频路径]

例：./rknn_yolov5_e /home/orangepi/rknpu2-master/examples/rknn_yolov5_e/model/posture100.rknn rtmp://rtmp01open.ys7.com/openlive/a7213e58da1547a4ac941de460a8771d**[.hd 加上.hd即读取高清视频流]**