前 言

本文主要介紹基于創龍科技TL3562-EVM評估板的NPU開發案例，適用開發環境如下。

Windows開發環境：Windows 7 64bit、Windows 10 64bit

虛擬機：VMware16.2.5

開發環境：Ubuntu20.04.6 64bit

U-Boot：U-Boot-2017.09

Kernel：Linux-5.10.209

LinuxSDK：rk3562-buildroot-2021.11-sdk-[版本號]（基于rk3562_linux_release_v1.2.0_20240620）

無特殊說明情況下，本文默認使用USB TO UART0作為調試串口，使用Linux系統啟動卡（Micro SD方式）啟動系統，通過路由器與PC機進行網絡連接，請確保PC機、Ubuntu系統可正常訪問互聯網。

NPU(Neural network Processing Unit)，即神經網絡處理器。RK3562內部已集成高能效神經網絡處理器NPU，支持神經網絡推理硬件加速，能夠流暢運行AI算法。主要參數如下：

（1）支持INT4/INT8/INT16/FP16等；

（2）支持多種框架，如TensorFlow、MXNet、PyTorch、Caffe等；

（3）1TOPS算力。

備注：更多詳細信息請查看“6-開發資料數據手冊核心板元器件CPU”目錄下的文檔。

NPU開發流程如下：

（1）模型訓練：用戶根據需求自行訓練模型或使用官方提供的模型；

（2）模型轉換：使用RKNN-Toolkit2將預訓練模型轉換為RK3562 NPU可使用的RKNN模型；

（3）應用開發：基于RKNN API開發應用程序。

圖 1 NPU開發流程圖

我司提供的NPU開發案例位于產品資料“4-軟件資料Demoplatform-demos”。其中，yolov5_object_detect案例為靜態演示案例（通過單張圖片進行目標識別），v4l2_yolov5_detect案例為動態演示案例（通過攝像頭連續獲取圖像進行目標識別），具體說明如下。

表 1

關于RKNN-Toolkit2環境搭建、模型轉換使用說明、混合量化、精度問題排查的詳細介紹，可查看yolov5_object_detect案例"toolrknn-toolkit2doc"目錄下的"02_Rockchip_RKNPU_User_Guide_RKNN_SDK_V2.0.0beta0_CN.pdf"文檔。

關于RKNN-Toolkit2模型轉換API接口說明，可查看yolov5_object_detect案例"toolrknn-toolkit2doc"目錄下的"02_Rockchip_RKNPU_User_Guide_RKNN_SDK_V2.0.0beta0_CN.pdf"文檔。

關于RKNN API的詳細使用說明，可查看yolov5_object_detect案例"toolrknn-toolkit2doc"目錄下的"04_Rockchip_RKNPU_API_Reference_RKNNRT_V2.0.0beta0_CN.pdf"文檔。

1yolov5_object_detect案例

案例說明

本案例基于RKNN API實現對圖片中目標對象的識別，并將識別結果以加水印的方式添加至圖像，并保存成圖片文件。案例循環測試10次，統計出推理的平均處理耗時。

備注：本案例基于瑞芯微官方例程實現，進行了目錄的重構及編譯的簡化,功能邏輯未進行修改。官方例程位于LinuxSDK源碼"/external/rknpu2/examples/rknn_yolov5_demo/"目錄下。

圖 2

程序處理流程圖如下：

圖 3

案例測試

請通過網線將評估板千兆網口ETH0 RGMII連接至路由器。

圖 4

請將案例bin目錄下的所有文件拷貝至評估板文件系統任意目錄下。

圖 5

在可執行文件所在目錄，執行如下命令，對圖片目標對象進行模型推理。

備注：模型運行的時間會有抖動。

Target# ./yolov5_object_detect yolov5s-640-640_rk3562.rknn car.jpg

圖 6

從輸出信息可知，本案例程序識別出測試圖片包含person、car、bus、truck等對象，運行1次模型耗時為73.843000ms；循環運行10次模型平均耗時為47.365303ms。

案例程序對測試圖片的目標對象標記成功后將輸出名稱為out.jpg的標記圖片至當前目錄，請將out.jpg文件拷貝至Windows下，并使用PC端相關軟件對比查看car.jpg與out.jpg，測試結果如下所示。

圖 7 圖 8 car.jpg 圖 9 out.jpg

從out.jpg圖片可知，案例程序能正確框選出人物、汽車等物體，同時顯示person、car文字標簽和置信度，標記對象的數量及信息等與程序打印信息一致。

本程序能夠支持識別的目標數據集類型說明位于bin目錄下的coco_80_labels_list.txt文件，用戶可根據相關目標類型進行測試驗證。

圖 10

案例編譯

將案例src源碼目錄拷貝至Ubuntu工作目錄下，進入源碼目錄，執行如下命令配置環境變量，并修改CMake配置文件CMakeLists.txt，請根據實際情況修改為LinuxSDK源碼路徑。

Host# source /home/tronlong/RK3562/rk3562-buildroot-2021.11-sdk-v1.0/buildroot/output/rockchip_rk3562/host/environment-setup

Host# vim CMakeLists.txt

圖 11 圖 12

新建一個build目錄，用于存放編譯過程產生的相關文件。

Host# mkdir -p build

圖 13

進入build目錄，執行如下命令進行案例編譯，編譯完成將會在build目錄下生成編譯過程產生的相關文件，并在src目錄下生成install目錄，該目錄下存放案例相關文件。

Host# cd build

Host# cmake -DCMAKE_C_COMPILER=aarch64-buildroot-linux-gnu-gcc -DCMAKE_CXX_COMPILER=aarch64-buildroot-linux-gnu-g++ ../

Host# make -j8

Host# make install

圖 14 圖 15

build目錄存放編譯過程產生的相關文件，install目錄存放案例相關文件，包括測試圖片car.jpg、類別數據集coco_80_labels_list.txt、RKNN模型yolov5s-640-640_rk3562.rknn和可執行程序yolov5_object_detect等文件，如下圖所示。

圖 16

關鍵代碼

（1）加載圖片RGB數據。

圖 17

（2）加載模型并初始化RKNN。

圖 18

（3）前處理，對圖像進行縮放和裁剪以適配模型輸入。

圖 19

（4）設置模型運行輸入輸出參數，NPU運行模型，獲取模型輸出，統計運行耗時。

圖 20

（5）進行后處理，得到目標識別結果。

圖 21

（6）使用目標識別結果給圖片添加水印，并保存為圖片文件。

圖 22

（7）重復運行10次模型并統計平均耗時。

圖 23

由于篇幅過長等原因，部分內容均不逐一展示，如需獲取完整版詳細資料，請關注創龍科技微信公眾號或官網，或者評論區留言，感謝您的支持！

審核編輯 黃宇