天嵌TQ3576核心板是一款集高性能、高算力、高性价比于一体的嵌入式平台，为需要强大处理能力和AI加速的应用场景设计，8核心处理器，主频高达2.2GHZ，性能强劲且能耗出色，6TOPS算力NPU，为AI模型部署、图像识别等应用提供强大算力支撑。

图1核心板

核心板基于瑞芯微RK3576处理器设计，小巧紧凑，采用板对板连接，既稳定可靠，又兼顾成本与灵活性。320个引脚全引出，实现丰富接口拓展，方便用户快速进行产品方案评估与技术预研。

图2同一核心板搭配两种不同底板

----------------------------------------------------------------------------------------------

TQ3576_Linux_AI使用手册

第三章 AI测试

YOLO11 模型测试

YOLO11 是新一代计算机视觉模型， 在目标检测、实例分割、图像分类、姿势估计、定向物体检测和对象跟踪等计算机视觉任务上展现了卓越的性能和准确性。

整体上YOLO11相较于YOLOv8变化不大， 主要的改变有加入多头注意力机制，分类检测头加入深度可分离卷积等等，在性能和准确度上相对于YOLOv8有显著提升。

YOLO11 github地址：https://github.com/ultralytics/ultralytics

首先在sdk目录下来到modelzoo目录下：

cd external/rknn_model_zoo

来到yolo11模型目录下：

cd examples/yolo11/model

通过执行模型下载脚本来下载官方训练好的模型，执行前请确保主机的网络连接正常，并赋予可执行权限：

sudo chmod +x download_model.sh
./download_model.sh

下载完成，模型文件为目录下的yolo11n.onnx：

进入 yolo11 例程目录下的 python 目录：

cd ../python

执行如下命令，进行转换 yolo11 模型，在执行前请确保当前终端已经进入了 conda 环境：

python3 convert.py ../model/yolo11n.onnx rk3576

转换完成：

转换完成后，需要先将 c++ 目录中用于在板子上跑的例程编译出来。

回到rknn_model_zoo目录下：

cd ../../../

执行rknn_model_zoo目录下的 build-linux.sh 脚本，编译 yolo11 的 c++ 例程：

./build-linux.sh -t rk3576 -a aarch64 -d yolo11

编译完成会在 modelzoo 目录下的 install/rk3576_linux_aarch64/rknn_yolo11_demo 生成可执行文件、打包模型和demo图片等文件：

执行以下命令将模型和可执行文件等都拷贝到开发板上，推送前请确保板子连接好数据线：

adb push install/rk3576_linux_aarch64/rknn_yolo11_demo/ /userdata/

打开板子的串口终端，进入到刚刚推送到板子上的目录：

cd /userdata/rknn_yolo11_demo/
chmod +x rknn_yolo11_demo
chmod +x rknn_yolo11_demo_zero_copy

被推理的 bus.jpg 如下，图片在 model 目录下：

在目录下执行命令，推理 bus.jpg 这张图片：

./rknn_yolo11_demo model/yolo11.rknn model/bus.jpg

可以看到识别到一个bus 和四个person：

推理完成后，会在目录下生成一张图片，文件名为out.png：

可以拷贝到电脑上查看：

在目录下还有一个demo执行程序，叫rknn_yolo11_demo_zero_copy，该demo采用零拷贝技术，可以加快推理速度：

这个例程也可以测试一下，同样推理 bus.jpg 这张图片：

./rknn_yolo11_demo_zero_copy model/yolo11.rknn model/bus.jpg

可以看到识别到一个bus 和四个person：

推理完成后，会在目录下生成一张图片，文件名为out.png：

可以拷贝到电脑上查看：