RKNN（Rockchip Neural Network）是一種用于嵌入式設備的深度學習推理框架，它提供了一個端到端的解決方案，用于將訓練好的深度學習模型轉換為在嵌入式設備上運行的可執(zhí)行文件。使用RKNN框架可以在嵌入式設備上高效地運行深度學習模型，這對于需要在資源受限的設備上進行實時推理的應用場景非常有用。例如，可以將RKNN用于智能攝像頭、機器人、無人機等嵌入式設備中，實現(xiàn)物體檢測、人臉識別、圖像分類等人工智能功能。

RKNN-Toolkit2是為用戶提供在 PC、 Rockchip NPU 平臺上進行模型轉換、推理和性能評估的開發(fā)套件，用戶通過該工具提供的 Python 接口可以便捷地完成模型轉換、量化功能、模型推理、性能和內存評估以及量化精度分析等多種操作。

下面，我們就使用RKNN-Toolkit2工具將rknpu2工程中的yolov5s.onnx模型轉換為yolov5s.rknn模型為例進行講解。

開發(fā)工具：飛凌嵌入式OK3588-C開發(fā)板

開發(fā)環(huán)境：Ubuntu20.04

01：下載RKNN-Toolkit2

02：安裝依賴

requirements_cp36-1.3.0.txt文件，在rknn-toolkit2/doc目錄下：

03：開發(fā)環(huán)境與OK3588-C開發(fā)板連接

開發(fā)環(huán)境中安裝adb

使用USB-typeC線連接到板子的TypeC0接口，PC端識別到虛擬機中。

在開發(fā)環(huán)境中檢查是否連接成功

如果連接成功會返回板子的設備ID，如下：

04：下載NPU工程

05：將rknn_server和rknn庫發(fā)送到開發(fā)板

在OK3588-C開發(fā)板上運行rknn_server服務

在開發(fā)環(huán)境中檢測rknn_server是否運行成功

有返回進程id說明運行成功。

06：模型轉換

在開發(fā)環(huán)境中進入到rknn_toolkit2工具中的examples目錄中選擇一個模型。本例選擇的是將onnx模型轉換為RKNN模型。

修改test.py

在rknn.config中添加target_platform='rk3588'

在rknn.init_runtime中添加target='rk3588'

修改完成后，運行test.py

運行成功結果如下：

同時在目錄下會生成yolov5s.rknn模型。

07：編譯測試源碼

進入到rknpu2/examples/rknn_yolov5_demo目錄下，設置環(huán)境變量：

執(zhí)行編譯腳本，進行編譯：

然后在rknpu2/examples/rknn_yolov5_demo/install/rknn_yolov5_demo_Linux目錄下會生成rknn_yolov5_demo

08：測試

將上邊生成的yolov5s.rknn模型和install目錄下的rknn_yolov5_demo_Linux拷貝到開發(fā)板中

進入到rknn_yolov5_demo_Linux目錄下，添加鏈接庫的環(huán)境變量（rknn_yolov5_demo_Linux目錄下的lib目錄）

使用rknn模型進行物體識別命令如下：

執(zhí)行結果如下：

將生成的out.jpg拷貝到本地電腦中查看，識別結果如下。

以上就是基于飛凌嵌入式OK3588-C開發(fā)板進行的RK3588推理模型轉換及測試過程，希望能夠對您有所幫助。