yolov8pose 部署rknn（rk3588）、部署地平线Horizon、部署TensorRT，部署工程难度小、模型推理速度快，DFL放后处理中

  特别说明：参考官方开源的yolov8代码、瑞芯微官方文档、地平线的官方文档，如有侵权告知删，谢谢。

  模型和完整仿真测试代码，放在github上参考链接 模型和代码。

  之前写了yolov8、yolov8seg、yolov8obb 的 DFL 放在模型中和放在后处理中的两种不同部署方法（推荐放在后处理中）；而yolov8pose只写了一篇放在模型中，有网友希望写一篇放在后处理中的，yolov8pose的DFL放在后处理中的博客来了。

1 模型和训练

  老规矩，训练不涉及，训练代码参考官方开源的yolov8训练代码。

2 导出 yolov8 onnx

  修改两处、增加保存onnx代码，一共修改三个地方。

修改第一处：增加以下几行代码

        # 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：增加以下几行代码

        ps = []         for i in range(self.nl):             ps.append(self.cv4[i](x[i]))         x = self.detect(self, x)         return x, ps 

  增加保存onnx模型代码

        print("===========  onnx =========== ")         dummy_input = torch.randn(1, 3, 640, 640)         input_names = ["data"]         output_names = ["reg1", "cls1", "reg2", "cls2", "reg3", "cls3", "ps1", "ps2", "ps3"]         torch.onnx.export(self.model, dummy_input, "./yolov8n_pose.onnx", verbose=False, input_names=input_names, output_names=output_names, opset_version=11)         print("======================== convert onnx Finished! .... ") 

  修改完以上几个地方，运行以下两行。

from ultralytics import YOLO model = YOLO('./weights/yolov8n-pose.pt') 

3 yolov8n-pose onnx 测试效果

4 时耗

将DFL放后处理中，模型和后处理时耗，使用芯片rk3588，模型输入分辨率640x640。部署rk3588板端代码

以下截图是将DFL放在模型中的时耗（模型推理时会长一些，但后处理会稍微快一点），将DFL放在模型中部署【参考链接】