Mice World

上一篇文章，我们聊了为什么我选择用 Rust 来为 RKNN 库构建一个安全、独立的地基。当地基打好，我信心满满地将所有模块串联起来，加载了官方示例中那张经典的bus.jpg，期待着一次完美的推理。

程序没有崩溃，有输出了！我兴奋地将结果绘制出来，然后……我傻眼了。

案发现场：一切混乱的开始

眼前的景象让我大跌眼镜。这哪里是目标检测，这简直是抽象艺术……

大家好，我是个大三的学生。最近因为导师的一个课题，需要把一个我自己训练的、用于识别玉米穗的 YOLO11n 模型，部署到一块 Rockchip RK3588 开发板上。

这其实还有个“前传”：为了让板子支持最新的模型，我已经折腾了好一阵子，把整个 Linux 内核连带 RKNPU 驱动都给交叉编译升级了一遍。所以，当底层环境就绪，模型也转换成.rknn格式后，我当时觉得，接下来应该就是顺理成章的“应用开发”了。

很自然地，我找到了野火社区的“鲁班猫”AI 教程，他们提供了一个yolo11的 C++示例。我寻思着，既然有现成的，改改用就行了呗？

事实证明，我还是太年轻了。

最近抽了点时间，准备把个人博客 miceworld.top 和一些自托管服务迁移到一台新的香港云服务器上。想着能有更完全的控制权，也方便自己折腾。

服务器的初始化很顺利，Debian 系统，Nginx + Hexo 部署网站，再用 Certbot 跑一下，HTTPS 的小绿锁很快就亮起来了。一切都按部就班。

1. 什么是 U-Net？

U-Net 是一种用于图像分割的卷积神经网络，最初由 Olaf Ronneberger 等人在 2015 年为医学图像分割设计。其独特的 U 形架构使其在生成高质量分割图像方面表现出色。

开始的地方：数据集和准备工作
最开始，我选择了 MTDC-UAV 数据集，这个数据集包含了许多图像和标注，适合做目标检测和回归任务。我编写了一个脚本，把 800 张有标注的图像按照 7:2:1 的比例随机分配成 Train、Valid、Test 集。重要的是，确保每个集合里的图片都是随机选取的，三个集合之间没有重复，并且每张图像都能找到对应的标注文件。

Papers Summary:

Fusing Global and Local Information Network for Tassel Detection in UAV Imagery

作者提到过去的三种玉米穗计数方法，分别是如下三种：

很多小伙伴由于各种原因无法在自己的安卓设备上获取 root 权限，从而无法配置 chroot 容器，不过，虽然没有 chroot 环境，但我们仍然可以配置一个 code-server,以下是配置过程。

测试机: 华为 matepad 11.5s 灵动版, Android 12

在使用 Linux Deploy 配置 Chroot 环境时，我发现虽然它提供了便利，但其长期无人维护的问题逐渐显露出来。可选的 Linux 发行版过于老旧，导致一些功能失效，且细节设置也不尽人意。为了解决这些问题，我决定转向 Termux 来配置 Chroot 环境。这样一来，我不仅能够使用更新的发行版，还能进行更加精细的设置，从而打造出一个更符合我需求的 Chroot 环境。

本文以 Ubuntu 24.04.1 LTS 为例，建立了一个安装了 code-server 的 Chroot 容器，文末会提供一键启动脚本。

测试机: Oneplus 9, Android 14