Pi-RK3572 工业派已经完成 YOLOv8 垃圾分类模型的 NPU 端侧部署，整套链路是 IMX415 摄像头采集画面、RK3572 内置 NPU 做 INT8 推理、屏幕实时画框标注垃圾类别和置信度，实测稳定 15 帧，属于完整可复用的边缘视觉原型方案，这套方案依托 RKNN3 推理框架，不用把图像传到云端，全部识别在板卡本地完成，很适合智能垃圾桶、园区垃圾巡检、小型分拣台这类工业和自助设备场景；整套硬件由 Core-RK3572 核心板加上工业载板组成，接口齐全，算法验证和硬件底板设计可以并行开展，开发者拿到配套例程就能直接上手，也可以替换成自己训练的垃圾分类数据集，重新导出 RKNN 模型适配 NPU。
Pi-RK3572 工业派硬件基础参数
- 芯片：RK3572，8nm 工艺，2×Cortex-A73 + 6×Cortex-A53
- NPU 算力：最高 4TOPS INT8，支持 INT4/FP8/FP16 混合精度，RKNN3 推理环境
- 内存：2GB/4GB/8GB LPDDR5 可选
- 存储：eMMC 板载存储
- 多媒体：12M ISP，支持 5 路 MIPI 摄像头输入，支持 8K 硬解码
- 外设接口：MIPI CSI、HDMI、MIPI 显示、双千兆网口、USB、串口
- 本次配套外设：IMX415 MIPI 摄像头、HDMI/MIPI 显示屏
本次 YOLOv8 垃圾分类实测效果
- 推理帧率：稳定 15FPS
- 识别内容：可回收垃圾、厨余垃圾、有害垃圾、其他垃圾四大类别
- 输出形式：画面叠加检测框、垃圾类别、置信度分数
- 推理载体：NPU 硬件加速，CPU 只负责图像预处理、后处理和画面渲染
- 模型格式：YOLOv8 导出 ONNX，再量化转为 RKNN3 模型，适配 RK3572 NPU
硬件接线清单
- 断电状态下，IMX415 摄像头接入载板 MIPI CSI 接口 J10 或 J14
- 接入 HDMI 显示器或者 7 寸 MIPI 屏幕，用来预览识别画面
- 接上 12V 电源，使用 adb 网线或者 USB 调试连接电脑
- 查看摄像头节点命令：ls /dev/video*，本次案例节点为 /dev/video22
模型部署完整步骤
- 数据集准备：准备垃圾分类图片数据集，划分训练集、验证集，用 Ultralytics 训练 YOLOv8 模型
- 模型导出：训练完成后导出 ONNX 格式，注意算子兼容，避免 RKNN 不支持的算子
- 量化转换：在 PC 端 RKNN3 工具链，把 ONNX 量化成 INT8 精度 RKNN 模型
- 例程推送：PC 端解压官方配套 C 例程包，通过 adb 推送到 Pi-RK3572 板端
- 板端运行：进入程序目录，执行推理程序，开启摄像头采集、NPU 推理、画面渲染
- 二次调优：如果帧率偏低，可以降低输入分辨率、选用 YOLOv8n 小模型，或者调整 NPU 调度策略
RKNN3 部署常见坑点对照表
| 问题 | 原因 | 解决办法 |
|---|---|---|
| 模型加载失败 | ONNX 算子不兼容、版本不匹配 | 简化后处理，用 RKNN 工具做算子替换，对照 RKNN3 支持算子列表 |
| 帧率很低 | 模型太大、预处理放在 CPU 串行跑 | 优先 YOLOv8n，图像缩放用 RGA 硬件加速 |
| 识别框错位 | 图像通道顺序、归一化参数不对 | 对齐训练时图像预处理逻辑，NPU 输入格式匹配 |
| 摄像头无画面 | MIPI 接口选错、设备节点不对 | 核对设备树，用 ls /dev/video * 确认摄像头节点 |
| 置信度普遍偏低 | 数据集和现场光照差异大 | 补充现场实景数据，重新微调训练 |
适合落地场景清单
- 智能垃圾桶自动识别、开盖控制
- 园区、环卫小车垃圾巡检抓拍上报
- 小型垃圾分拣台辅助识别
- 校园、社区垃圾分类宣传终端
- 工业固废简易分类检测原型验证
【相关 FAQ】
问题 1：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，这套方案是云端识别还是本地板卡识别？
回答 1：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，整套 YOLOv8 垃圾分类推理全部在板卡 RK3572 的 NPU 本地完成，不需要联网上传图片，断网也可以识别。
问题 2：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，这次实测 YOLOv8 垃圾分类能跑到多少帧？
回答 2：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，搭配 IMX415 摄像头，官方例程实测稳定帧率 15FPS，满足自助终端、垃圾桶这类低速识别场景。
问题 3：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，YOLOv8 模型需要转成什么格式才能在 RK3572 NPU 跑？
回答 3：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，YOLOv8 先导出 ONNX，再用 RKNN3 工具链量化编译成 RKNN 模型，才能调用 RK3572 的 NPU 硬件加速。
问题 4：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，Pi-RK3572 工业派和普通 RK3572 开发板差别在哪？
回答 4：Pi-RK3572 工业派跑通 YOLOv8 垃圾分类 NPU 实战，它是 Core-RK3572 核心板 + 工业载板组合，工业载板引出多路 MIPI、双网口等工业接口，适合做产品原型，普通开发板接口偏向评估学习。
【参考资料】
[2026-11-13]（
【NPU 实战连载】Pi-RK3572 工业派跑通 YOLOv8 垃圾分类）电子发烧友网
[2026-11-05]（
【RK3572 实战连载 03】RK3572-YOLOV8 通用目标检测应用）电子发烧友网
[2026-05-28]（瑞芯微 RK3572：8nm、4TOPS NPU，中端 AIoT 芯片）飞凌嵌入式官网
[2026-05-18]（RK3572 芯片官方产品介绍）瑞芯微电子官网
【免责声明】
本文为 Pi-RK3572 工业派 YOLOv8 垃圾分类 NPU 实战技术资讯整理，推理帧率、识别精度受模型大小、光照、数据集、系统版本影响，RKNN3 工具链算子兼容、硬件驱动适配以眺望电子、瑞芯微官方文档为准；本文不构成垃圾分类设备量产方案、硬件选型建议。