基于RK3588的YOLOv8目标检测模型部署与性能优化产品系统

本项目主要针对边缘计算设备（如RK3588开发板）在无人驾驶及智能监控场景下的应用需求。旨在解决传统深度学习模型在嵌入式端侧推理速度慢、延迟高、无法实时响应的问题。通过模型量化与部署优化，使高精度目标检测算法能够在低功耗硬件上流畅运行，满足无人车实时避障与路况识别的业务背景需求。

模型转换与部署： 实现了从 PyTorch (.pt) 到 ONNX 再到 RKNN 的完整模型转换链路，适配瑞芯微 NPU 硬件加速。
多线程视频流处理： 设计了图像采集、预处理、模型推理、结果后处理的并行流水线，最大化利用 CPU 与 NPU 资源。
自适应视觉算法： 集成了动态阈值分割与逆透视变换（IPM）算法，解决了复杂光照下的车道线提取难题。

在 RK3588 平台上实现了 YOLOv8 模型的 30 FPS+ 实时推理。
通过 INT8 量化技术，在保证 mAP 精度损失小于 2% 的前提下，模型体积缩小 75%，推理速度提升 40%。
系统整体端到端延迟控制在 50ms 以内，有效支撑了高速运动下的实时决策。