前 言

本文主要介紹基于創(chuàng)龍科技TL3562-MiniEVM評估板的NPU開發(fā)案例，適用開發(fā)環(huán)境如下。

Windows開發(fā)環(huán)境：Windows 7 64bit、Windows 10 64bit

虛擬機：VMware16.2.5

開發(fā)環(huán)境：Ubuntu20.04.6 64bit

U-Boot：U-Boot-2017.09

Kernel：Linux-5.10.209

LinuxSDK：rk3562-ubuntu20.04-sdk-[版本號]（基于rk3562_linux_release_v1.2.0）

無特殊說明情況下，本文默認(rèn)使用USB TO UART0作為調(diào)試串口，使用系統(tǒng)啟動卡（Micro SD方式）啟動系統(tǒng)，通過路由器與PC機進行網(wǎng)絡(luò)連接，請確保PC機、Ubuntu系統(tǒng)可正常訪問互聯(lián)網(wǎng)。

NPU(Neural network Processing Unit)，即神經(jīng)網(wǎng)絡(luò)處理器。RK3562內(nèi)部已集成高能效神經(jīng)網(wǎng)絡(luò)處理器NPU，支持神經(jīng)網(wǎng)絡(luò)推理硬件加速，能夠流暢運行AI算法。主要參數(shù)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(xì)信息請查看“6-開發(fā)參考資料數(shù)據(jù)手冊核心板元器件CPU”目錄下的文檔。

NPU開發(fā)流程如下：

（1） 模型訓(xùn)練：用戶根據(jù)需求自行訓(xùn)練模型或使用官方提供的模型；

（2） 模型轉(zhuǎn)換：使用RKNN-Toolkit2將預(yù)訓(xùn)練模型轉(zhuǎn)換為RK3562 NPU可使用的RKNN模型；

（3） 應(yīng)用開發(fā)：基于RKNN API開發(fā)應(yīng)用程序。

圖 1 NPU開發(fā)流程圖

我司提供的NPU開發(fā)案例位于產(chǎn)品資料“4-軟件資料Demoplatform-demos”，具體說明如下。

關(guān)于RKNN-Toolkit2環(huán)境搭建、模型轉(zhuǎn)換使用說明、混合量化、精度問題排查的詳細(xì)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(guān)于RKNN-Toolkit2模型轉(zhuǎn)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(guān)于RKNN API的詳細(xì)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。

評估板簡介

創(chuàng)龍科技 TL3562-MiniEVM 是一款基于瑞芯微 RK3562J/RK3562 處理器設(shè)計的四核 ARM Cortex-A53 + 單核 ARM Cortex-M0 國產(chǎn)工業(yè)評估板，主頻高達 2.0GHz。評估板由核心板和評估底板組成，核心板 CPU、ROM、RAM、電源、晶振等所有元器件均采用國產(chǎn)工業(yè)級方案，國產(chǎn)化率 100%，評估底板大部分元器件亦采用國產(chǎn)工業(yè)級方案，國產(chǎn)化率約 99%（按元器件數(shù)量占比，數(shù)據(jù)僅供參考）。核心板經(jīng)過專業(yè)的 PCB Layout 和高低溫測試驗證，支持選配屏蔽罩，質(zhì)量穩(wěn)定可靠，可滿足各種工業(yè)應(yīng)用環(huán)境要求。

評估板引出 2 路 Ethernet、2 路 USB、Micro SD、UART 等通信接口，同時引出 2 路 M IPI CSI、LVDS LCD、MIPI LCD、HDMI OUT、MIC IN、SPK OUT、HP OUT 多媒體接口，支

持 1080P@60fps H.264 視頻編碼、4K@30fps H.265 視頻解碼。

評估板體積小巧，尺寸為 85x130mm，可作為卡片式電腦使用，且便于產(chǎn)品集成，方便用戶快速進行產(chǎn)品方案評估與技術(shù)預(yù)研。

評估板硬件資源圖解 1

評估板硬件資源圖解 2

案例說明

本案例基于RKNN API實現(xiàn)對圖片中目標(biāo)對象的識別，并將識別結(jié)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(huán)測試10次，統(tǒng)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(xiàn)，進行了目錄的重構(gòu)及編譯的簡化,功能邏輯未進行修改。

程序處理流程圖如下：

圖 2

案例測試

請通過網(wǎng)線將評估板千兆網(wǎng)口ETH0 RGMII連接至路由器。

圖 3

請將案例bin目錄下的所有文件拷貝至評估板文件系統(tǒng)任意目錄下。

圖 4

在可執(zhí)行文件所在目錄，執(zhí)行如下命令，對圖片目標(biāo)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 5

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(huán)運行10次模型平均耗時為47.365303ms。

案例程序?qū)y試圖片的目標(biāo)對象標(biāo)記成功后將輸出名稱為out.jpg的標(biāo)記圖片至當(dāng)前目錄，請將out.jpg文件拷貝至Windows下，并使用PC端相關(guān)軟件對比查看car.jpg與out.jpg，測試結(jié)果如下所示。

圖 6

圖 7 car.jpg

圖 8 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(biāo)簽和置信度，標(biāo)記對象的數(shù)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(biāo)數(shù)據(jù)集類型說明位于bin目錄下的coco_80_labels_list.txt文件，用戶可根據(jù)相關(guān)目標(biāo)類型進行測試驗證。

圖 9

案例編譯

將案例src源碼目錄拷貝至Ubuntu工作目錄下，請先確保已參考《Ubuntu系統(tǒng)使用手冊》文檔安裝LinuxSDK。進入源碼目錄，執(zhí)行如下命令配置環(huán)境變量，并修改CMake配置文件CMakeLists.txt，請根據(jù)實際情況修改為LinuxSDK源碼路徑。

Host# source /home/tronlong/RK3562/Ubuntu/rk3562-ubuntu20.04-sdk-v1.0/environment

Host# vim CMakeLists.txt

圖 10

圖 11

新建一個build目錄，用于存放編譯過程產(chǎn)生的相關(guān)文件。

Host# mkdir-p build

圖 12

進入build目錄，執(zhí)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(chǎn)生的相關(guān)文件，并在src目錄下生成install目錄，該目錄下存放案例相關(guān)文件。

Host# cd build

Host# cmake ../

Host# make -j8

Host# make install

圖 13

圖 14

build目錄存放編譯過程產(chǎn)生的相關(guān)文件，install目錄存放案例相關(guān)文件，包括測試圖片car.jpg、類別數(shù)據(jù)集coco_80_labels_list.txt、RKNN模型yolov5s-640-640_rk3562.rknn和可執(zhí)行程序yolov5_object_detect等文件，如下圖所示。

圖 15

關(guān)鍵代碼

（1） 加載圖片RGB數(shù)據(jù)。

圖 16

（2） 加載模型并初始化RKNN。

圖 17

（3） 前處理，對圖像進行縮放和裁剪以適配模型輸入。

圖 18

（4） 設(shè)置模型運行輸入輸出參數(shù)，NPU運行模型，獲取模型輸出，統(tǒng)計運行耗時。

圖 19

（5） 進行后處理，得到目標(biāo)識別結(jié)果。

圖20

（6） 使用目標(biāo)識別結(jié)果給圖片添加水印，并保存為圖片文件。

圖 21

（7） 重復(fù)運行10次模型并統(tǒng)計平均耗時。

圖 22

審核編輯 黃宇