開發板采用核心板+底板結構，在我們的資料里提供了底板的原理圖工程以及PCB工程，可以實現真正意義上的裁剪、定制屬于自己的產品，滿足更多應用場合。

迅為針對RK3576開發板整理出了相應的開發流程以及開發中需要用到的資料，并進行詳細的說明。快速定位需要使用的文檔，大大提升研發速度。

迅為iTOP-3576開發板采用瑞芯微RK3576高性能、低功耗的應用處理芯片，集成了4個Cortex-A72和4個Cortex-A53核心，以及獨立的NEON協處理器。它適用于ARM PC、邊緣計算、個人移動互聯網設備及其他多媒體產品。

2 rknn-toolkit2 功能演示

迅為有錄制rknn_toolkit2視頻教程，詳細的講解了rknn_toolkit2各個API的使用，具體超 鏈接如下所示：

04_RKNN模型構建

05_RKNN模型評估-推理測試

06_RKNN模型評估-量化精度分析

07_RKNN模型評估-性能評估和內存評估

視頻中使用的在rknn_toolkit2版本為1.4，而現在最新版本為2.3，RK會不斷的對rknn_to olkit2版本進行更新，但對于api的使用方法是不會變的，所以大家要想了解rknn_toolkit2各 個API的使用方法，可以直接看上面的視頻鏈接，在本手冊中只會對rknn_toolkit2的例程進行 演示。

2.2.1 模型轉換

上面也提到了rknn_toolkit2最重要的功能就是進行模型轉換，將常用的Caffe、TensorFlo w、TensorFlow Lite、ONNX、DarkNet、PyTorch等模型轉為RK支持RKNN模型，在rknn-t oolkit2/rknn-toolkit2/examples目錄下提供了上述各個模型的轉換和推理例程，如下圖所示：

這里以pytorch的resnet18例程進行演示，首先來到knn-toolkit2/rknn-toolkit2/examples/py torch/resnet18目錄下，如下圖所示：

由于默認沒提供resnet18模型，所以需要手動拷貝到該目錄下，具體模型存放路徑為“i TOP-3576開發板\02_【iTOP-RK3576開發板】開發資料\05_NPU例程測試配套資料\05_resnet1 8模型”，拷貝完成如下圖所示：

然后修改test.py內容，將第53行config接口的target_platform參數設置從rk3566修改為rk3576，target_platform參數決定了要構建具體SOC類型的RKNN模型，其他地方不需要改動，修改完成如下圖所示：

然后保存退出，運行test.py，需要注意的是必須確保已經安裝了rknn-toolkit2，使用上一小節描述的三種方法均可，這里使用的是第一種方法安裝的rknn-toolkit2，運行過程如下所示：

運行完成只會會生成RK3576對應的RKNN模型以及推理結果如下圖所示：

推理結果為space shuttle，推理的圖片為航天飛機，如下圖所示：

推理結果正確，至此對于rknn-toolkit2模型轉換和推理就演示完成了，需要注意的是這里是在X86 Linux系統上通過模擬器進行推理的，并不代表在開發板的運行情況，更常用的推理測試為下一個小節的連板推理。