YOLOv26 在 RK3588 上的 RKNN ONNX 部署实践（C++）

概要

本文分享 YOLOv26 在 RK3588 平台上的部署方案，重点聚焦于 C++ 推理侧的模型适配。核心工作包括基于 Ultralytics YOLOv26 的导出改造、新增 RKNN_ONNX 格式以对接 rknn-toolkit2，以及对 Detect Head 进行结构优化，确保导出的 ONNX 模型更适合 NPU 推理。

该方案适用于 RK3588 / RK356x 等 Rockchip NPU 环境，适合希望保留 Ultralytics 训练生态并采用 C++ + RKNN SDK 部署的用户。

说明：本文不涉及 rknn-toolkit2 的安装与量化流程，仅聚焦模型导出与结构适配。

项目依赖

• ultralytics

一、导出格式扩展：新增 RKNN_ONNX

为了让 Ultralytics 支持自定义导出目标，我们需要修改 ultralytics/engine/exporter.py 文件。

1. 修改 exporter.py

1.1 扩展 export_formats

在 export_formats() 返回列表末尾追加一项配置，这样 CLI 就能识别新格式：

["RKNN_ONNX", "rknn_onnx", "_rknn_model", False, False, ["batch", "name"]]

之后即可直接使用以下命令导出：

yolo export model=yolov26.pt format=rknn_onnx

1.2 修改 Exporter.call() 中的 flags 解包

在导出逻辑中，需要在 flags 元组里加入 rknn_onnx 标识，并在后续分支调用对应的导出函数：

# 在 flags 元组中加入 rknn_onnx
( jit, onnx, xml, engine, coreml, saved_model, pb, tflite, edgetpu, tfjs, paddle, mnn, ncnn, imx, rknn, executorch, axelera, rknn_onnx ) = flags 

# 在导出逻辑中增加判断
if rknn_onnx:
    f[17] = self.export_rknn_onnx()

通过上述两步，我们成功将 RKNN_ONNX 纳入了 Ultralytics 的导出体系，为后续的 C++ 推理做好了准备。