@TOC

🍉零、引言

本文完成于2022-07-02 22:22:27。 博主刚开始在瑞芯微ITX-3588J-8K的开发板上跑了官方的yolov5目标检测算法，检测了ip相机rtsp视频流，但是每帧处理需要833ms左右，和放PPT一样。本来想使用tensorrt进行加速推理，但前提需要cuda，rk的板子上都是arm的手机gpu，没有nvidia的cuda，所以不能这样适配。那么转过来，使用开发板自带的NPU进行加速推理，岂不是最佳方案，因为它本身就是人工智能开发板，不用NPU相当于没有发挥它的全部能力。

🏅然后今天（2022.7.2）成功实践了转换rknn模型，并使用npu推理。为了让后面的同学少走弯路，特此花1个h记录下RKNPU2的使用教程，因为官方教程只有Android版本，所以Ubuntu系统的都是我自己摸索出来的。上一期是使用RKNN-Toolkit的教程：rk3588使用npu进行模型转换和推理，加速AI应用落地

🍍一、环境信息

本教程以 rknn_yolov5_demo 在 RK3588 Ubuntu20.04 64位 平台上运行为例，介绍如何使用RKNPU2。这里RKNPU2就是Firefly对第二代板子使用的NPU版本，我在github上看了RKNPU的文件，是给3399系列和之前的板子使用的。

🍎二、下载工具

RK3588 内置 NPU 模块, 处理性能最高可达6TOPS。使用该NPU需要下载RKNN SDK，RKNN SDK 为带有 NPU 的 RK3588S/RK3588 芯片平台提供编程接口，能够帮助用户部署使用 RKNN-Toolkit2 导出的 RKNN 模型，加速 AI 应用的落地。

我们直接cd到build目录下进行sh编译，出现下面报错：
查看手册，上面说板子为linux系统则需下载 gcc 交叉编译器，那么我们就来下载g++，输入下面命令：

sudo apt-get install aarch-linux-gnu-g++

安装好之后，输入命令查看g++版本

aarch-linux-gnu-g++ -v

gcc是GCC中的GUN C Compiler（C 编译器），g++是GCC中的GUN C++ Compiler（C++编译器），其实两者都可以编译c和c++代码，就好比c++和c的关系，我们选其一使用就好。

🍌三、更新 RKNN 模型

1. 🍕可以将PC上转换后的 RK3588 平台模型 yolov5s.rknn 复制到rknpu2/examples/rknn_yolov5_demo/model/RK3588/下。
2. 🍯可以使用adb从PC传输到RK3588上，需要使用数据线连接3588和PC。
3. 🍨当然不复制也可以，因为example中就自带.rknn模型。

如何将pytorch、caffe、tensorflow、onnx等深度学习模型转换为rknn模型呢？这里需要用py文件先将它们统一转换成onnx模型，然后再使用rknpu2中的py文件进行转换即可。

🍇四、编译 rknn_yolov5_demo

1、在终端命令窗口进入 rknn_yolov5_demo 文件夹

cd examples/rknn_yolov5_demo/

运行 build-linux_RK3588.sh 脚本编译程序

./build-linux_RK3588.sh 

🍎五、在板端运行 rknn_yolov5_demo

运行目标检测程序，识别并定位图片中物体，cd到install/rknn_yolov5_demo_Linux/目录下，然后输入命令：

./rknn_yolov5_demo ./model/RK3588/yolov5s-640-640.rknn ./model/bus.jpg

参数1是可执行文件，参数2是模型文件，参数3是输入图像；

下面是检测效果，检测框上面标注了类别和置信度，可以看到模型中一共80个类别，还有几个物体因为遮挡没有被检测出来：

参考文献：Rockchip_Quick_Start_RKNN_SDK_V1.3.0_CN
关于过程中的截图，我也是在自己PC上操作时进行截图，然后在RK3588上操作时进行截图，两边都登录的csdn帐号进行交替写文章，可以说我在这台电脑上写一半，再到另一台电脑上继续写。过程很麻烦，但是我热爱探索和为社区奉献。如果对你有帮助，可以3连支持下博主。