RKNN SDK 快速上手指南

開發板：ArmSoM-W3，ArmSoM-Sige7，ArmSoM-Sige5，ArmSoM-AIM7

OS：Debian11/12

目的：本文介紹如何使用rk的npu sdk。

作為瑞芯微8nm高性能AIOT平臺，RK3576/RK3588 NPU性能可謂十分強大，6TOPS設計能夠實現高效的神經網絡推理計算。這使得RK3576/RK3588在圖像識別、語音識別、自然語言處理等人工智能領域有著極高的性能表現。

此外，RK3576/RK3588 的NPU還支持多種學習框架，包括TensorFlow，Pytorch、Caffe、MXNet等在人工智能開發中流行的深度學習框架，能夠為開發者提供豐富的工具和庫，使他們能夠方便地進行模型訓練和推理，可輕松應對各種大數據運算場景。??

rk3576 npu

RK3576/RK3588 NPU典型應用?

計算機視覺（Computer Vision）：NPU可用于圖像識別、目標檢測、人臉識別等任務。在安防監控、自動駕駛、醫療影像分析等領域中有著廣泛的應用。

自然語言處理（Natural Language Processing，NLP）：NPU可加速文本分類、情感分析、機器翻譯等任務，使得處理大規模文本數據變得更高效。

語音識別與處理（Speech Recognition and Processing）：在語音識別、語音合成等方面，NPU可以提高處理速度和準確性，應用于智能語音助手、語音交互系統等場景。

智能家居與物聯網（IoT）：NPU的低功耗特性使其適用于智能家居設備、智能監控攝像頭、智能穿戴設備等物聯網應用，從而實現設備的智能化和自動化。

醫療健康：在醫學影像分析、疾病診斷、基因組學等領域，NPU可以加速大規模數據的處理和分析，幫助醫療工作者更準確地診斷疾病和制定治療方案。

智能交通：在智能交通系統中，NPU可用于車輛識別、交通流量監控、智能交通信號燈控制等任務，提升交通系統的效率和安全性。

Rockchip NPU SDK?

rockchip的npu sdk分為兩個部分，PC端使用的是rknn-toolkit2，可以在PC端進行模型轉換，推理以及性能評估。具體來說是把主流的模型如Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet、PyTorch 等轉換為RKNN模型，并可以在PC端使用這個RKNN模型進行推理仿真，計算時間和內存開銷。板端還有一部分，就是rknn runtime環境，包含一組C API庫以及與NPU進行通信的驅動模塊，可執行程序等。

RKNN軟件棧可以幫助用戶快速將AI模型部署到瑞芯微芯片上。整體框架如下：

為了使用 RKNPU，用戶需要首先在計算機上運行 RKNN-Toolkit2 工具，將訓練好的模型轉換為 RKNN 格式的模型，然后使用 RKNN C API 或 Python API 在開發板上進行推理。

RKNN-Toolkit2是一款軟件開發套件，供用戶在PC和瑞芯微NPU平臺上進行模型轉換、推理和性能評估。

RKNN-Toolkit-Lite2為瑞芯微NPU平臺提供Python編程接口，幫助用戶部署RKNN模型，加速AI應用落地。

RKNN Runtime為Rockchip NPU平臺提供C/C++編程接口，幫助用戶部署RKNN模型，加速AI應用的落地。

RKNPU內核驅動負責與NPU硬件交互。它已經開源，可以在Rockchip內核代碼中找到。

提示

RKNPU2 SDK v2.0.0-beta (for RK3576/RK3562/RK3566/RK3568/RK3588/RV1103/RV1106) https://github.com/airockchip/rknn-toolkit2

Model zoo: https://github.com/airockchip/rknn_model_zoo

docs: https://github.com/airockchip/rknn-toolkit2/tree/master/doc

RK3576/RK3588 NPU使用案例分享?

導出rknn模型步驟

請參考 https://github.com/airockchip/rknn_model_zoo/tree/main/models/CV/object_detection/yolo

注意事項?

使用rknn-toolkit2版本大于等于1.4.0。

切換成自己訓練的模型時，請注意對齊anchor等后處理參數，否則會導致后處理解析出錯。

官網和rk預訓練模型都是檢測80類的目標，如果自己訓練的模型,需要更改include/postprocess.h中的OBJ_CLASS_NUM以及NMS_THRESH,BOX_THRESH后處理參數。

demo需要librga.so的支持,編譯使用請參考 https://github.com/airockchip/librga

由于硬件限制，該demo的模型默認把 yolov5 模型的后處理部分，移至cpu實現。本demo附帶的模型均使用relu為激活函數，相比silu激活函數精度略微下降，性能大幅上升。

Android Demo?

編譯?

首先導入ANDROID_NDK_PATH，例如export ANDROID_NDK_PATH=~/opts/ndk/android-ndk-r18b，然后執行如下命令：

./build-android.sh -t  -a  [-b ]# 例如: ./build-android.sh -t rk3568 -a arm64-v8a -b Release

推送執行文件到板子?

連接板子的usb口到PC,將整個demo目錄到 /data:

adb rootadb remountadb push install/rknn_yolov5_demo /data/

運行?

adb shellcd /data/rknn_yolov5_demo/export LD_LIBRARY_PATH=./lib./rknn_yolov5_demo model//yolov5s-640-640.rknn model/bus.jpg

Aarch64 Linux Demo?

編譯?

首先導入GCC_COMPILER，例如export GCC_COMPILER=~/opt/gcc-linaro-7.5.0-2019.12-x86_64_aarch64-linux-gnu/bin/aarch64-linux-gnu ，然后執行如下命令：

./build-linux.sh -t  -a  -b ]# 例如: ./build-linux.sh -t rk3588 -a aarch64 -b Release

推送執行文件到板子?

將 install/rknn_yolov5_demo_Linux 拷貝到板子的/userdata/目錄.

如果使用rockchip的EVB板子，可以使用adb將文件推到板子上：

adb push install/rknn_yolov5_demo_Linux /userdata/

如果使用其他板子，可以使用scp等方式將install/rknn_yolov5_demo_Linux拷貝到板子的/userdata/目錄

運行?

adb shellcd /userdata/rknn_yolov5_demo_Linux/export LD_LIBRARY_PATH=./lib./rknn_yolov5_demo model//yolov5s-640-640.rknn model/bus.jpg

Note: Try searching the location of librga.so and add it to LD_LIBRARY_PATH if the librga.so is not found on the lib folder. Using the following commands to add to LD_LIBRARY_PATH.

export LD_LIBRARY_PATH=./lib:

視頻流Demo運行命令參考如下：?

h264視頻

./rknn_yolov5_video_demo model//yolov5s-640-640.rknn xxx.h264 264

注意需要使用h264碼流視頻，可以使用如下命令轉換得到：

ffmpeg -i xxx.mp4 -vcodec h264 xxx.h264

h265視頻

./rknn_yolov5_video_demo model//yolov5s-640-640.rknn xxx.hevc 265

注意需要使用h265碼流視頻，可以使用如下命令轉換得到：

ffmpeg -i xxx.mp4 -vcodec hevc xxx.hevc

rtsp視頻流

./rknn_yolov5_video_demo model//yolov5s-640-640.rknn  265

注意?

需要根據系統的rga驅動選擇正確的librga庫，具體依賴請參考： https://github.com/airockchip/librga

rk3562 目前僅支持h264視頻流

rtsp 視頻流Demo僅在Linux系統上支持，Android上目前還不支持

視頻流輸入的h264名稱不能為"out.h264"，會被覆蓋

演示視頻?

https://www.bilibili.com/video/BV1jt421M7Pj/

審核編輯 黃宇