RK3399Pro NPU 开源项目使用教程

最新推荐文章于 2025-04-28 16:18:38 发布

韶丰业

最新推荐文章于 2025-04-28 16:18:38 发布

阅读量1.1k

点赞数 12

本文链接：https://blog.csdn.net/gitblog_01191/article/details/142240359

版权

RK3399Pro NPU 开源项目使用教程

RK3399Pro_npu 项目地址: https://gitcode.com/gh_mirrors/rk/RK3399Pro_npu

1. 项目介绍

1.1 项目概述

RK3399Pro NPU 开源项目是为 Rockchip RK3399Pro 平台提供的 NPU（神经网络处理单元）驱动及相关示例代码的集合。该项目旨在帮助开发者快速上手并充分利用 RK3399Pro 的 NPU 功能，适用于多种 AI 应用场景。

1.2 主要功能

NPU 驱动：提供 RK3399Pro 的 NPU 驱动，支持通过 USB 和 PCIe 接口与 NPU 通信。
示例代码：包含多个示例代码，展示如何使用 RKNN API 进行模型推理。
工具包：提供 RKNN Toolkit 和 RKNN Toolkit Lite，用于模型转换和推理。

2. 项目快速启动

2.1 环境准备

确保你的开发环境已经安装了以下工具和依赖：

Git
Python 3.x
RKNN Toolkit 或 RKNN Toolkit Lite

2.2 克隆项目

首先，克隆 RK3399Pro NPU 开源项目到本地：

git clone https://github.com/airockchip/RK3399Pro_npu.git
cd RK3399Pro_npu

2.3 安装依赖

根据你的操作系统，安装相应的依赖包：

# 安装 RKNN Toolkit 依赖
pip install rknn-toolkit

# 安装 RKNN Toolkit Lite 依赖
pip install rknn-toolkit-lite

2.4 运行示例代码

进入示例代码目录，运行一个简单的推理示例：

cd examples/simple_inference
python3 simple_inference.py

3. 应用案例和最佳实践

3.1 目标检测

使用 RK3399Pro NPU 进行目标检测是一个常见的应用场景。你可以使用 RKNN Toolkit 将 YOLOv8 模型转换为 RKNN 模型，并在 RK3399Pro 上进行推理。

from rknn.api import RKNN

# 初始化 RKNN 对象
rknn = RKNN()

# 加载模型
rknn.load_rknn('./yolov8.rknn')

# 初始化模型
rknn.init_runtime()

# 进行推理
outputs = rknn.inference(inputs=[input_data])

3.2 图像分类

图像分类是另一个常见的应用场景。你可以使用 RKNN Toolkit 将常见的图像分类模型（如 ResNet）转换为 RKNN 模型，并在 RK3399Pro 上进行推理。

from rknn.api import RKNN

# 初始化 RKNN 对象
rknn = RKNN()

# 加载模型
rknn.load_rknn('./resnet.rknn')

# 初始化模型
rknn.init_runtime()

# 进行推理
outputs = rknn.inference(inputs=[input_data])