yolov8 官方模型进行瑞芯微RKNN和地平线Horizon芯片仿真测试部署

  由于之前写了一篇 ”yolov8 瑞芯微RKNN和地平线Horizon芯片仿真测试部署“ 这一篇导出的onnx模型在板端芯片部署效率非常高的，高效率体现在模型的所有操作都在加速引擎（NPU或BPU）上，模型推理没有CPU和板端加速引擎的切换，且后处理对一些维度变换直接用了索引的方式，没有额外的维度变换操作；且导出的onnx模型通用性很强，可以转换成任何板端模型；但工程部署难道相对大一些，有网友希望提供一个基于官方导出的onnx进行板端部署，因此本篇就基于 yolov8 官方导出onnx的方式，进行模型在板端芯片部署和仿真测试。

完整代码部署代码参考

1 模型训练修改部分

  由于有些板端芯片对SiLU激活函数不支持，因此将激活函数 SiLU 替换成 ReLU，并基于 VOC 数据集进行了重新训练。

2 导出onnx模型修改

   导出onnx需要修改一行

# 导出 onnx
from ultralytics import YOLO

model = YOLO('../weights/yolov8n_relu_20class.pt')
success = model.export(format="onnx")

3 onnx测试效果

4 板端高效部署方式

   请参考板端芯片高效部署