开发版硬件配置介绍ELF-RV1126B开发板基于Rockchip RV1126B处理器开发设计该处理器是瑞芯微专为端侧及边缘侧Al计算处理而打造的一款低功耗、高性价比国产化应用处理器。处理器集成4个ARM Cortex-A53高性能核心具备3TOPSINT8的Al计算能力并配备多路适用于边缘侧应用的接口可充分满足学习者在智慧工业、智慧园区、智慧工地等边缘视频分析与目标识别等AI场景应用需求。核心板与底板之间采用邮票孔LGA连接方式以增强结构连接的可靠性和机械强度。内置独立NPU提供高达3TOPSINT8的AI算力支持INT8/INT16混合精度运算可高效运行人脸检测、安全帽识别、烟火告警、区域入侵等典型边缘AI目标识别模型实现本地实时决策无需依赖云端。PC机开发环境配置该部分内容是为了在Windows11 PC电脑中安装Python和YOLOv8需要的开发工具。1.查看显卡驱动版本和支持各种驱动和安装包在后续训练和部署中显得尤为重要一定要细心注意版本问题建议大家列表格记录并且熟悉各种驱动和安装包的安装卸载和查询方法首先按下【winr】打开运行窗口输入【cmd】打开终端命令行窗口。输入命令nvidia-smi查看驱动版本信息笔者使用的台式主机电脑配置为英伟达显卡4060上图可以清楚的看到显卡驱动的版本2.更新显卡驱动可选NVIDIA 官网手动下载打开官网驱动下载页www.nvidia.cn/Download/index.aspx。选择你的显卡信息产品类型GeForce游戏卡/ RTX / Quadro专业卡。产品系列如 RTX 40 Series、RTX 30 Series 等。产品家族具体型号如 RTX 4070、RTX 3060 Ti。操作系统Windows 11/10 64-bit 等。运行安装包建议选择不修改安装目录安装在C盘内替换掉原来的旧驱动。3.安装CUDA和cuDNN先做一下简单介绍CUDA是英伟达推出的并行计算平台和编程模型它能让英伟达显卡不再局限于图形渲染而是被程序调用进行高速通用并行计算为 AI 训练、科学计算、视频渲染、数据分析等需要大量算力的场景提供底层算力支持是使用英伟达显卡进行非图形类高性能计算的基础。cuDNN则是基于 CUDA 的深度学习加速库全称为 CUDA Deep Neural Network Library它不能独立运行必须依赖对应的 CUDA 版本专门针对深度学习中的卷积、池化、激活、归一化等核心神经网络运算做了深度优化能大幅提升 PyTorch、TensorFlow 等深度学习框架的运行效率没有 cuDNN 的情况下神经网络的训练和推理速度会非常缓慢。简单来说CUDA 是显卡通用计算的底层平台cuDNN 是搭建在 CUDA 之上、专门用于深度学习的加速组件两者必须版本匹配才能正常工作共同让英伟达显卡高效支持深度学习等 AI 相关任务。我们得先去Pytorch官网查看最新的Pytorch对于CUDA版本的支持情况才知道现在应该安装哪个版本的CUDA。之前网上的教程基本都在24年版本号更新很快所以很多初学者感到不敢下手。可以看到目前支持到CUDA 13.0版本并且要求Python安装到3.10及以上版本且需要有numpy库。提供conda 和pip两种常见的便捷安装方式。这个先不安装先往下边看3.1安装CUDA接下来我们先用浏览器打开英伟达CUDA Toolkit Archive官网找到CUDA 13.0的版本下载安装。点击此处进行下载安装。下载解压后点击他的安装可执行文件用管理员身份安装点击ok,建议默认安装在C盘自定义安装--》勾选全部组件安装。安装完成后打开CMD输入指令nvcc -V查看是否安装成功已经安装的版本。3.2配套安装cuDNN使用浏览器打开英伟达官网cuDNN下载页面注意选择对应到CUDA 12.x版本的cuDNN(这个目前还没有更新13.X版本但是笔者实际测试使用12.X版本不受影响)这里下载要登陆英伟达账户大家按照要求注册登录并且下载文件。如果打不开可能要用到科学上网这里不再赘述。将下载的ZIP压缩包解压后得到如下几个文件夹将它们全部复制到刚刚CUDA安装路径下点击替换目标文件即可打开【高级系统设置】【高级】【环境变量】在“系统变量”中找到“Path”这一条双击进去将如下两个路径添加进去C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v13.0\binC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v13.0\lib不同版本路径名称会有所不同大家以自己下载的版本路径名称为准。笔者在部署此步骤时因为看的教程里的版本比较旧在这里也出现过问题大家可以自行搜索这里的路径和解决办法。4.安装Python以及Pycharm开发平台4.1安装Python使用浏览器进入Python官网下载下载安装包下载3.10版本就够用依旧管理员安装默认C盘安装即可4.2安装Pycharm进入Pycharm官网下载社区版的开发工具安装包双击默认安装即可5.安装Anaconda或Miniconda环境管理工具Anaconda 是一个面向数据科学和机器学习的 Python/R 开源发行版你可以把它理解成一个 “Python 全家桶”—— 它不仅预装了 Python 解释器还打包了几百个数据科学领域最常用的库比如 NumPy、Pandas、Matplotlib、Scikit-learn 等同时自带了强大的环境管理和包管理工具Conda完美解决了新手最头疼的 “版本冲突”“包安装失败” 问题。不同项目可能需要不同版本的 Python 或第三方库比如项目 A 用 Python 3.8 TensorFlow 2.5项目 B 用 Python 3.10 TensorFlow 2.10直接装在系统里会冲突。Anaconda 的 Conda 可以为每个项目创建独立的虚拟环境环境之间互不干扰通过国内清华镜像源下载选择预装了Python3.10默认环境的版本注意安装时要完全关闭杀毒软件和防火墙不然非常容易误杀安装完成后在Win11搜索栏能找到对应的Anaconda Prompt终端命令行程序即可,详细的安装教程参考这篇文章。yolov8的环境配置正在网络上有大量教程后续笔者也会更新相关教程欢迎大家交流学习
ELF_RV1126B开发板AI部署实例（以yolo8目标检测为例）--PC机环境配置和图片训练篇
开发版硬件配置介绍ELF-RV1126B开发板基于Rockchip RV1126B处理器开发设计该处理器是瑞芯微专为端侧及边缘侧Al计算处理而打造的一款低功耗、高性价比国产化应用处理器。处理器集成4个ARM Cortex-A53高性能核心具备3TOPSINT8的Al计算能力并配备多路适用于边缘侧应用的接口可充分满足学习者在智慧工业、智慧园区、智慧工地等边缘视频分析与目标识别等AI场景应用需求。核心板与底板之间采用邮票孔LGA连接方式以增强结构连接的可靠性和机械强度。内置独立NPU提供高达3TOPSINT8的AI算力支持INT8/INT16混合精度运算可高效运行人脸检测、安全帽识别、烟火告警、区域入侵等典型边缘AI目标识别模型实现本地实时决策无需依赖云端。PC机开发环境配置该部分内容是为了在Windows11 PC电脑中安装Python和YOLOv8需要的开发工具。1.查看显卡驱动版本和支持各种驱动和安装包在后续训练和部署中显得尤为重要一定要细心注意版本问题建议大家列表格记录并且熟悉各种驱动和安装包的安装卸载和查询方法首先按下【winr】打开运行窗口输入【cmd】打开终端命令行窗口。输入命令nvidia-smi查看驱动版本信息笔者使用的台式主机电脑配置为英伟达显卡4060上图可以清楚的看到显卡驱动的版本2.更新显卡驱动可选NVIDIA 官网手动下载打开官网驱动下载页www.nvidia.cn/Download/index.aspx。选择你的显卡信息产品类型GeForce游戏卡/ RTX / Quadro专业卡。产品系列如 RTX 40 Series、RTX 30 Series 等。产品家族具体型号如 RTX 4070、RTX 3060 Ti。操作系统Windows 11/10 64-bit 等。运行安装包建议选择不修改安装目录安装在C盘内替换掉原来的旧驱动。3.安装CUDA和cuDNN先做一下简单介绍CUDA是英伟达推出的并行计算平台和编程模型它能让英伟达显卡不再局限于图形渲染而是被程序调用进行高速通用并行计算为 AI 训练、科学计算、视频渲染、数据分析等需要大量算力的场景提供底层算力支持是使用英伟达显卡进行非图形类高性能计算的基础。cuDNN则是基于 CUDA 的深度学习加速库全称为 CUDA Deep Neural Network Library它不能独立运行必须依赖对应的 CUDA 版本专门针对深度学习中的卷积、池化、激活、归一化等核心神经网络运算做了深度优化能大幅提升 PyTorch、TensorFlow 等深度学习框架的运行效率没有 cuDNN 的情况下神经网络的训练和推理速度会非常缓慢。简单来说CUDA 是显卡通用计算的底层平台cuDNN 是搭建在 CUDA 之上、专门用于深度学习的加速组件两者必须版本匹配才能正常工作共同让英伟达显卡高效支持深度学习等 AI 相关任务。我们得先去Pytorch官网查看最新的Pytorch对于CUDA版本的支持情况才知道现在应该安装哪个版本的CUDA。之前网上的教程基本都在24年版本号更新很快所以很多初学者感到不敢下手。可以看到目前支持到CUDA 13.0版本并且要求Python安装到3.10及以上版本且需要有numpy库。提供conda 和pip两种常见的便捷安装方式。这个先不安装先往下边看3.1安装CUDA接下来我们先用浏览器打开英伟达CUDA Toolkit Archive官网找到CUDA 13.0的版本下载安装。点击此处进行下载安装。下载解压后点击他的安装可执行文件用管理员身份安装点击ok,建议默认安装在C盘自定义安装--》勾选全部组件安装。安装完成后打开CMD输入指令nvcc -V查看是否安装成功已经安装的版本。3.2配套安装cuDNN使用浏览器打开英伟达官网cuDNN下载页面注意选择对应到CUDA 12.x版本的cuDNN(这个目前还没有更新13.X版本但是笔者实际测试使用12.X版本不受影响)这里下载要登陆英伟达账户大家按照要求注册登录并且下载文件。如果打不开可能要用到科学上网这里不再赘述。将下载的ZIP压缩包解压后得到如下几个文件夹将它们全部复制到刚刚CUDA安装路径下点击替换目标文件即可打开【高级系统设置】【高级】【环境变量】在“系统变量”中找到“Path”这一条双击进去将如下两个路径添加进去C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v13.0\binC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v13.0\lib不同版本路径名称会有所不同大家以自己下载的版本路径名称为准。笔者在部署此步骤时因为看的教程里的版本比较旧在这里也出现过问题大家可以自行搜索这里的路径和解决办法。4.安装Python以及Pycharm开发平台4.1安装Python使用浏览器进入Python官网下载下载安装包下载3.10版本就够用依旧管理员安装默认C盘安装即可4.2安装Pycharm进入Pycharm官网下载社区版的开发工具安装包双击默认安装即可5.安装Anaconda或Miniconda环境管理工具Anaconda 是一个面向数据科学和机器学习的 Python/R 开源发行版你可以把它理解成一个 “Python 全家桶”—— 它不仅预装了 Python 解释器还打包了几百个数据科学领域最常用的库比如 NumPy、Pandas、Matplotlib、Scikit-learn 等同时自带了强大的环境管理和包管理工具Conda完美解决了新手最头疼的 “版本冲突”“包安装失败” 问题。不同项目可能需要不同版本的 Python 或第三方库比如项目 A 用 Python 3.8 TensorFlow 2.5项目 B 用 Python 3.10 TensorFlow 2.10直接装在系统里会冲突。Anaconda 的 Conda 可以为每个项目创建独立的虚拟环境环境之间互不干扰通过国内清华镜像源下载选择预装了Python3.10默认环境的版本注意安装时要完全关闭杀毒软件和防火墙不然非常容易误杀安装完成后在Win11搜索栏能找到对应的Anaconda Prompt终端命令行程序即可,详细的安装教程参考这篇文章。yolov8的环境配置正在网络上有大量教程后续笔者也会更新相关教程欢迎大家交流学习
