模型部署——rknn-toolkit-lite2部署RKNN模型到开发板上（python版）

欢迎学习RKNN系列相关文章，从模型转换、精度分析，评估到部署，推荐好资源：

一、Ubuntu系统上安装rknn-toolkit

二、使用rknn-toolkit将Pytorch模型转为RKNN模型

三、RKNN模型的评估和推理测试

四、RKNN模型量化精度分析及混合量化提高精度

五、RKNN模型性能评估和内存评估

六、rknn-toolkit-lite2部署RKNN模型到开发板上（python版）

七、RKNN C API开发板上落地部署RKNN模型

八、RKNN零拷贝API开发板落地部署RKNN模型

在RKNN模型部署前，需要注意以下几点：

（1）硬件平台兼容性:

确保你的开发板与 RKNN Toolkit Lite2 兼容。目前，RKNN Toolkit Lite2 支持 Rockchip RK3566、RK3588、RK3399 等平台。

确认开发板的 NPU 型号和版本与 RKNN 模型的 NPU 算子兼容。

（2）模型转换:

使用 RKNN Toolkit 或 RKNNConverter 工具将 PyTorch、TensorFlow 等框架模型转换为 RKNN 模型。

转换时，需要指定目标硬件平台和 NPU 型号。

确保模型转换成功，并生成相应的 RKNN 模型文件。

关于模型转换的教程，参考我另外一篇博文：Pytorch转RKNN模型

（3）部署环境:

在开发板上安装 RKNN Runtime 和相关依赖库。

确认开发板的系统版本和编译环境与 RKNN Toolkit Lite2 兼容。

（4）模型加载:

使用 RKNN Toolkit Lite2 提供的 API 加载 RKNN 模型。

需指定模型文件路径以及其他参数。

（5）模型推理:

使用 RKNN Toolkit Lite2 提供的 API 进行模型推理。

需提供输入数据和相关参数。

（6）性能优化:

可以使用 RKNN Toolkit Lite2 提供的性能分析工具分析模型性能。

根据分析结果，可以对模型进行优化，以提高推理速度和降低功耗。

目录

• 一、源码包准备
• 二、环境准备
• • 2.1 安装Miniconda
  • 2.2 新建虚拟环境
  • 2.3 安装rknn_toolkit_lite2包
  • 2.4 安装OpenCV包
  • 三、推理
  • • 3.1 代码
    • 3.2 开发板推理结果
    • 四、总结

      一、源码包准备

      本配套源码包的获取方式为文章末扫码到公众号「视觉研坊」中回复关键字：RKNN Lite2开发板部署。获取下载链接。

      下载解压后的样子如下：

      二、环境准备

      先在开发板上运行rknn_server，通过adb连通开发板，在开发板系统上安装python编译环境。

      2.1 安装Miniconda

      在开发板系统上安装Miniconda的详细教程，见我另外一篇博客：Miniconda安装

      2.2 新建虚拟环境

      上一步Miniconda安装好后，在此基础上安装一个新的虚拟环境，如下，：

      查看已有虚拟环境命令为：

      conda env list

      创建新虚拟环境命令为：

      conda create -n name python=3.9

      上面步骤创建好后激活虚拟环境，如下：

      激活命令为:

      conda activate name

      2.3 安装rknn_toolkit_lite2包

      rknn_toolkit_lite2包的轮子文件，在我提供源码包中的packages文件夹中，如下：

      在激活的虚拟环境中，进入到存放轮子文件目录下，使用下面命令安装：

      pip install rknn_toolkit_lite2-1.6.0-cp39-cp39-linux_aarch64.whl -i https://pypi.mirrors.ustc.edu.cn/simple/

      2.4 安装OpenCV包

      在同样的虚拟环境下，使用下面命令安装opencv：

      pip install opencv-python -i https://pypi.mirrors.ustc.edu.cn/simple/

      三、推理

      上面环境都准备好后，在终端通过命令进入到源码包目录下，运行下面命令即可在开发板上推理RKNN模型。

      python rknntoolkit_lite2_inference.py

      3.1 代码

      此代码对应源码包中的rknntoolkit_lite2_inference.py脚本。

      from rknnlite.api import RKNNLiteimport cv2import numpy as npdef show_outputs(output):    output_sorted = sorted(output,reverse = True)    top5_str = '\n----------top5-----------\n'    for i in range(5):        value = output_sorted[i]        index = np.where(output == value)        for j in range(len(index)):            if (i + j) >= 5:                break            if value > 0:                top1 = "{}:{}\n".format(index[j],value)            else:                top1 = "-1:0.0\n"            top5_str += top1    print(top5_str)def show_perfs(perfs):    perfs = "perfs:{}\n".format(perfs)    print(perfs)def softmax(x):    return np.exp(x)/sum(np.exp(x))if __name__ == "__main__":    rknn = RKNNLite()    # 使用load_rknn接口直接加载RKNN模型    rknn.load_rknn(path="resnet18.rknn")    # 调用init_runtime接口初始化运行时环境    rknn.init_runtime(        core_mask = 0,  # core_mask表示NPU的调度模式，设置为0时表示自由调度，设置为1，2，4时分别表示调度某个单核心，设置为3时表示同时调度0和1两个核心，设置为7时表示1，2，4三个核心同时调度        # targt = "rk3588"    )    # 使用Opencv读取图片    img = cv2.imread("space_shuttle_224.jpg")    img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)    # 调用inference接口进行推理测试    output = rknn.inference(        inputs=[img],        data_format=None    )    show_outputs(softmax(np.array(output[0][0])))  # 根据概率排名，打印出前5名的概率    rknn.release()

      3.2 开发板推理结果

      运行上面脚本，输出推理结果如下：

      打开源码包中的图片和imagenet1000标签.txt文件对照查看，推理预测的结果与标签文件对应的类名一致，说明开发板推理结果正确，如下：

      四、总结

      总结不易，多多支持，谢谢！

      感谢您阅读到最后！关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！