使用YY3568开发板部署AI能力

YY3568开发板是 「风火轮科技」 基于Rockchip RK3568 芯片平台设计的开发板，四核 64Cortex-A55 核，主频最高达 2GHz，集成双核心架构GPU以及高效能NPU，芯片性能优异。开发板功能接口丰富，多媒体性能强悍、可在物联网、工业控制、智慧交通、轻量级人工智能等领域发挥独特优势。

RKNPU已经经过了几代的发展，趋近成熟。RK3399pro和RK1808初次引入了 RKNPU，相比传统的CPU和GPU相比传统的CPU和GPU，在深度学习运算能力上有比较大幅度的提升。接下来在RV1109和RV1126上使用了第二代NPU，提升了NPU的利用率。第三代NPU应用在RK3566和RK3568上，搭载全新NPU自研架构，而RK3588搭载的为第四代NPU，提高了带宽利用率，支持了多核扩展。

什么是rknn

RKNN：瑞芯微的神经网络计算框架，它提供了一系列的工具和库，帮助开发者更轻松地构建、训练和部署神经网络模型。RKNN支持各种流行的深度学习框架，如TensorFlow、PyTorch等，并提供了丰富的API接口，方便开发者进行模型转换、优化和部署。通过RKNN，开发者可以更高效地利用RKNPU的计算能力，实现更快速、更准确的神经网络推理。

什么是rknpu

RKNPU：瑞芯微的神经网络处理单元，旨在在移动设备和边缘设备上高效地执行深度学习推理任务。它针对神经网络模型进行了优化，能够提供高性能、低功耗的推理计算能力。通过高效的计算和低延迟的处理，RKNPU可以帮助开发者实现各种人工智能和机器学习应用，如图像识别、语音识别、自然语言处理等。

什么是rknn-toolkit2

RKNN-Toolkits：瑞芯微的神经网络工具包，它为开发者提供了一系列实用的工具和库，用于加速神经网络的开发和部署。RKNN-Toolkits包含了各种常用的工具，如模型转换工具、性能分析工具、调试工具等，方便开发者进行模型的训练、测试和优化。此外，RKNN-Toolkits还提供了丰富的示例代码和文档，帮助开发者快速上手并掌握如何使用瑞芯微的神经网络解决方案。

rknn-toolkit2环境搭建

安装Miniconda

Conda 是一个开源的软件包管理系统和环境管理系统，它可以用于安装、管理和升级软件包和依赖项。

下载并安装Miniconda，安装完成之后会自动设置环境变量，重新打开终端：

rice@rice:~$mkdir-p~/rknn/tools/miniconda
rice@rice:~$cd~/rknn/tools/miniconda
rice@rice:~/rknn/tools/miniconda$wgethttps://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
rice@rice:~/rknn/tools/miniconda$./Miniconda3-latest-Linux-x86_64.sh

在用户目录下新建.condarc文件，并输入如下内容

rice@rice:~$vim.condarc

channels:
-defaults
show_channel_urls:true
channel_alias:https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
-https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
-https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
-https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
-https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
-https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

创建RKNN虚拟环境

为了避免环境导致一系列问题，使用conda创建rknn虚拟环境，使用如下命令；命令执行之后，首先会要求安装一些列软件包，输入 y 确认即可。

rice@rice:~/rknn$condacreate-nrknnpython=3.8

激活rknn虚拟环境，命令如下

rice@rice:~/rknn$condaactivaterknn

安装rknn_toolkit2

创建rknn_toolkit2目录，命令如下：

rice@rice:~$mkdir-p~/rknn/tools/rknn_toolkit2

将requirements_cp38-1.4.0.txt和rknn_toolkit2-1.4.0_22dcfef4-cp38-cp38-linux_x86_64.whl拷贝到目录：~/rknn/tools/rknn_toolkit2

安装numpy，命令如下：

rice@rice:~$pipinstallnumpy==1.16.6-ihttps://pypi.tuna.tsinghua.edu.cn/simple

安装瑞芯微提供的requirements_cp38-1.4.0.txt文件的依赖包，命令如下：

rice@rice:~$cd~/rknn/tools/rknn_toolkit2
rice@rice:~/rknn/tools/rknn_toolkit2$pipinstall-rrequirements_cp38-1.4.0.txt-ihttps://pypi.tuna.tsinghua.edu.cn/simple

安装瑞芯微的rknn_toolkit2，命令如下：

rice@rice:~/rknn/tools/rknn_toolkit2$pipinstall-rrequirements_cp38-1.4.0.txt-ihttps://pypi.tuna.tsinghua.edu.cn/simple

注意：如果遇到invalid version‘1.4.0-22dcfef4'的问题输入下面这两句命令

pipinstalluninstallsetuptools
pipinstallinstallsetuptools==49.6.0-ihttps://pypi.tuna.tsinghua.edu.cn/simple

安装pycharm

官网下载pycharm，下载路径：~/rknn/tools/，官网链接：https://www.jetbrains.com/pycharm/。

解压安装pycharm，执行命令：

rice@rice:~$cd~/rknn/tools
rice@rice:~/rknn/tools$tar-xzvfpycharm-community-2023.1.tar.gz
rice@rice:~/rknn/tools$cdpycharm-community-2023.1/bin/
rice@rice:~/rknn/tools/pycharm-community-2023.1/bin/$./pycharm.sh

安装完后进入pycharm软件，如下图：

创建pycharm工程

通过pycharm创建工程，新建项目，选择好工程存放目录

选择解析器为“先前配置的解析器”，配置为rknn的模拟器的解析器，如下图：

创建完成之后，打开 Pycharm 内置终端，可以看到默认已经帮我们激活了RKNN虚拟环境，如下图所示

rknn 模型推理

通过pycharm打开rknn-toolkit2提供的examples，我们使用rknn-toolkit2提供的onnx的实例。onnx目录：rknn-toolkit2/examples/onnx/yolov5

默认的工程推理之后不显示出结果，我们需要将test.py中输出显示的注释去掉

执行test.py脚本，即可以看到其推理的结果

yy3568 模型推理

我们将yy3568安装ubuntu系统，官方提供了yy3568的ubuntu系统，直接下载安装即可，教程连接如下：https://wiki.youyeetoo.cn/zh/YY3568

默认的yy3568的ubuntu系统提供了一个实例，目录：/rockchip-test/rknn_ssd_demo_Linux。进入这个目录，运行demo：

youyeetoo@smartfly:~$cd/rockchip-test/rknn_ssd_demo_Linux
youyeetoo@smartfly:/rockchip-test/rknn_ssd_demo_Linux$
youyeetoo@smartfly:/rockchip-test/rknn_ssd_demo_Linux$./rknn_ssd_demo./model/RK356X/ssd_inception_v2.rknn./model/bus.jpg