yolov8还没玩溜，yolov11又来了，那么部署也又来了。
特别说明：如有侵权告知删除，谢谢。
完整代码：包括onnx转rknn和测试代码、rknn板端部署C++代码
【onnx转rknn和测试代码】
【rknn板端部署C++代码】
1 模型训练
yolov11训练官方开源的已经非常详细了，参考官方代码。
2 导出 yolov11 onnx
导出onnx修改以下几处。
第一处：修改导出onnx的检测头
# 导出 onnx 增加 y = [] for i in range(self.nl): t1 = self.cv2[i](x[i]) t2 = self.cv3[i](x[i]) y.append(t1) y.append(t2) return y第二处：增加保存onnx代码
print("=========== onnx =========== ") import torch dummy_input = torch.randn(1, 3, 640, 640) input_names = ["data"] output_names = ["reg1", "cls1", "reg2", "cls2", "reg3", "cls3"] torch.onnx.export(self.model, dummy_input, "/root/zhangqian/ultralytics-main/yolov11n_80class_ZQ.onnx", verbose=False, input_names=input_names, output_names=output_names, opset_version=11) print("======================== convert onnx Finished! .... ")修改完以上两处，运行以下代码：
from ultralytics import YOLOmodel = YOLO(model='yolov11n.pt') # load a pretrained model (recommended for training)results = model(task='detect', source='./test.jpg', save=True) # predict on an image特别说明： 修改完以上两处后运行会报错，但不影响onnx的生成；生成onnx后强烈建议用from onnxsim import simplify 处理一下再转rknn。
3 测试onnx效果
pytorch效果
onnx效果（测试onnx代码链接）
4 onnx转rknn
onnx转rknn代码链接
转rknn后仿真结果
5 rk3588板子测试yolov11模型
使用的 rknn_toolkit 版本：rknn_toolkit2-2.2.0-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
C++代码中的库和工具链的版本注意对应适配。
1）编译
cd examples/rknn_yolov11_demo_dfl_openbash build-linux_RK3588.sh2）运行
cd install/rknn_yolo_demo_Linux./rknn_yolo_demo 注意：修改模型、测试图像、保存图像的路径，修改文件为src下的main.cc
int main(int argc, char **argv){ char model_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov11_demo_dfl_open/model/RK3588/yolov11n_80class_ZQ.rknn"; char image_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov11_demo_dfl_open/test.jpg"; char save_image_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov11_demo_dfl_open/test_result.jpg"; detect(model_path, image_path, save_image_path); return 0;}3）板端效果和时耗
