瓦罗兰特/无畏契约 rknn模型17w图片训练超高精度0身1头黄色区分敌我256和320尺寸适合研究学习。模型为rknn模型11瓦罗兰特/无畏契约 目标检测 RKNN模型训练全流程教程17万张数据集0身/1头黄色敌我区分256/320尺寸YOLOv8/v11 → RKNN一、项目核心信息游戏瓦罗兰特 / 无畏契约Valorant数据集170,000 张游戏画面超大、超高精度检测类别2类0身体1头部标注特点黄色框区分敌我标准YOLO格式模型输入尺寸256×256 / 320×320适合RKNN嵌入式/NPU部署框架YOLOv8 / YOLOv11输出模型.pt → .onnx →.rknn二、训练这个模型的完整步骤照着做就能成功步骤1准备数据集结构必须标准YOLO格式valorant/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── valorant.yaml步骤2数据集配置文件valorant.yamltrain:./images/trainval:./images/valnc:2names:0:body1:head三、模型训练代码核心直接运行train_valorant.pyfromultralyticsimportYOLOdeftrain():# 训练配置 MODEL_SIZEn# n/s/mIMG_SIZE320# 256 或 320BATCH_SIZE64EPOCHS150# modelYOLO(fyolov8{MODEL_SIZE}.pt)# 可换成 yolov11model.train(datavalorant.yaml,epochsEPOCHS,imgszIMG_SIZE,batchBATCH_SIZE,device0,patience20,projectvalorant_rknn,namefyolov8{MODEL_SIZE}_{IMG_SIZE},lr00.01,lrf0.01,momentum0.937,weight_decay0.0005,warmup_epochs3.0,hsv_h0.0,hsv_s0.0,hsv_v0.0,degrees0.0,perspective0.0,flipud0.0,fliplr0.0,mosaic0.0,mixup0.0,copy_paste0.0,)model.val()if__name____main__:train()为什么这么设置游戏画面不需要色彩增强hsv0不需要翻转flip0不需要马赛克mosaic0游戏目标固定训练更稳定、精度更高这是专门针对游戏目标检测的最优参数。四、导出 ONNX转RKNN必需export_onnx.pyfromultralyticsimportYOLO# 加载训练好的模型modelYOLO(valorant_rknn/yolov8n_320/weights/best.pt)# 导出 ONNXmodel.export(formatonnx,imgsz320,simplifyTrue,opset12)输出best.onnx五、ONNX → RKNN 模型转换最终步骤onnx2rknn.pyfromrknn.apiimportRKNN# 创建RKNN对象rknnRKNN(verboseTrue)# 配置rknn.config(mean_values[[0,0,0]],std_values[[255,255,255]],target_platformrk3588)# 加载ONNXrknn.load_onnx(modelbest.onnx)# 编译模型rknn.build(do_quantizationFalse)# 保存RKNN模型rknn.save_model(valorant_320.rknn)最终得到valorant_256.rknn/valorant_320.rknn六、RKNN 推理代码可直接在板子上运行importcv2importnumpyasnpfromrknn.apiimportRKNN rknnRKNN()rknn.load_rknn(valorant_320.rknn)rknn.init_runtime()# 读取游戏画面imgcv2.imread(test.jpg)imgcv2.resize(img,(320,320))# 推理outputsrknn.inference(inputs[img])# 解析身体/头部框# 输出框 → 绘制黄色敌我区分框