rk3588yolo环境搭建问题（学习记录）

已于 2024-03-12 09:01:30 修改
阅读量716 收藏 13
点赞数 11
文章标签： 学习
于 2024-03-01 17:02:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hollebro/article/details/136401282
版权
文章讲述了在使用sudobash执行构建Linux环境脚本时遇到的错误，主要原因是librockchip_mpp.so文件格式未识别。解决办法是删除该文件并重命名librockchip_mpp.so.0为librockchip_mpp.so。
摘要由CSDN通过智能技术生成

生成运行环境sudo bash ./build-linux_RK3588.sh时报错

/usr/bin/ld:/home/orangepi/rknpu2-master/examples/rknn_yolov5_demo/../3rdparty/mpp/Linux/aarch64/librockchip_mpp.so: file format not recognized; treating as linker script
/usr/bin/ld:/home/orangepi/rknpu2-master/examples/rknn_yolov5_demo/../3rdparty/mpp/Linux/aarch64/librockchip_mpp.so:0: syntax error
collect2: error: ld returned 1 exit status
make[2]: *** [CMakeFiles/rknn_yolov5_video_demo.dir/build.make:164: rknn_yolov5_video_demo] Error 1
make[1]: *** [CMakeFiles/Makefile2:78: CMakeFiles/rknn_yolov5_video_demo.dir/all] Error 2

原因：如题提示/3rdparty/mpp/Linux/aarch64/librockchip_mpp.so: file format not recognized; treating as linker script是因为librockchip_mpp.so这个文件夹指向了一个空文件夹

解决方法：把librockchip_mpp.so删除，把librockchip_mpp.so.0重命名为
librockchip_mpp.so

运行，完成！

Knight a
关注
  • 11
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
40、记录ROC-RK3588S-PC开发板yolov5目标检测和mpp拉海康摄像头进行解码
sxj731533730
09-24 7522
系统用的：ROC-RK3588S-PC-RTLINUX_Ubuntu20.04-Gnome-r21197_v1.0.1b_220922.7z 刷机参考这篇博客。1）下载rknn-toolkit配置python的rknnlite环境。基本思想：喜得一个RK3588开发板，利用它完成目标检测和TCP通信。三、配置环境，测试py调用npu和c++调用npu。二、在window11上，搜索ip。然后使用wsl连接上。
36、RK3399Pro 环境搭建和Yolov5 c++调用opencv进行RKNN模型部署和使用
sxj731533730
08-23 6114
在上一篇博客基础上，进一步配置rknn-toolit，但是我想把 PC的rknn-toolkit也安装在开发板上，这样就在开发板上进行操作即可。第一步：因为系统是python3.8,因为官方没有提供python3.8的rknn的版本，需要安装anconda环境构建python3.6。链接: https://pan.baidu.com/s/1hrcr8Fc2sboD1_uy8T1Z8Q 提取码: e4wq。下载anconda包，进行安装成功，然后构建环境。第二步:参考上一篇博客。...
使用c++在rk3588-3588s上运行的yolov5s简单demo(142帧-s).zip
05-16
使用c++在rk3588_3588s上运行的yolov5s简单demo(142帧_s).zip 此仓库为c++实现, 大体改自rknpu2, python快速部署见于rknn-multi-threaded 使用线程池异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数 yolov5s使用relu激活函数进行优化,提高推理帧率。 使用说明 演示 系统需安装有OpenCV 下载Releases中的测试视频于项目根目录,运行build-linux_RK3588.sh 可切换至root用户运行performance.sh定频提高性能和稳定性 编译完成后进入install运行命令./rknn_yolov5_demo 模型所在路径 视频所在路径/摄像头序号 部署应用 参考include/rkYolov5s.hpp中的rkYolov5s类构建rknn模型类 使用c++在rk3588_3588s上运行的yolov5s简单demo(142帧_s).zip使用c++在rk3588_3588s上运行的yolov5s简单demo(142帧_s).zip
RK3588编译yolov5.rknn 案例
qq_47432746的博客
11-27 206
4、进入install 的目录下，chmod给文件权限(sudo chmod +x rknn_yolov5_*)3、.sh编译成功之后，将demo目录下的install文件夹adb push 到RK3588开发板上。将GCC_COMPILER进行修改。将aarch64-none-linux-gnu 的路径加入。2、编译./build-linux_RK3588.sh。1、在虚拟机上编译yolov5的.sh文件。
YOLOv8n部署到RK3588开发板全流程（pt→onnx→rknn模型转换、板端后处理检测）
A_l_b_ert的博客
07-31 1596
小白博主，第一次写博客记录自己YOLOv8n部署RK3588开发板的全流程，记录下踩的所有坑，欢迎交流。本篇主要参考博主@山水无移-ZhangQian的文章，如有需要，可自行查看参考。欢迎各位小伙伴评论交流。
野火鲁班猫教程关于yolo3在RK3588上的部署(开发日志)
mimanchi99的博客
11-29 683
但是实际测试发现报错，仔细阅读报错原因可知权重文件没有找到，我们发现我们找的权重文件是放在weights文件夹中的，仔细看之前的步骤，发现实际上是因为我们下载权重文件的时候是在yolo3文件夹中，我们可以cd weights再下载一遍权重文件，或者把我们需要用到的权重文件yolov3.weights 直接copy到weights文件夹中也可以。–cfg指定配置文件，不指定时默认是cfg/yolov3-spp.cfg， 这里测试是cfg/yolov3.cfg；稍后再搞搞yolo3的训练。否则将无法正常安装。
Yolov5项目在RK3588s设备上的部署(RMYC2023技术分享)
gavin_id的博客
05-08 4454
(跟作者比赛有关，可以选择略过)在RMYC以往的赛季当中大多数队伍使用到的视觉技术都依赖于RoboMaster官方给的AI人工智能教育套件，但是随着比赛难度的增加，比赛对各种技术的要求AI教育套件可能已经无法满足，同时因AI教育套件的价格偏高，很多战队都无法完成基本的视觉技术。作者偶然间看见香橙派5的Yolov5部署，于是作者在两周的时间里摸索了Yolov5在RK3588s的部署并且成功写出了一个用于RMYC上工程机器人自动取弹对位的程序。
rk3588测试yolov5部署记录
znscst的博客
03-18 1451
rk3588部署测试yolo过程记录
1.rk3588的yolov5运行：pt_onnx_rknn转换及rknn在rk3588系统python运行
weixin_71719718的博客
11-17 3337
第一步将pt文件转换为了onnx文件，这里开始将onnx文件转换为rknn文件，这步转换我们需要搭建ubuntu20.04的虚拟环境，然后在ubuntu20.04的虚拟环境下转换（我开始用的ubuntu18.04的虚拟环境，但转换失败，所以大家还是乖乖的用ubuntu20.04吧）（3）也可以修改'--iou-thres'和'--conf-thres'参数，该参数是yolov5的置信度，会影响模型最终检测的精度，但不会影响pt文件转换为onnx文件的成功与否。我们在终端运行以下代码解除文件权限即可。
Ubuntu上搭建RK3588开发环境
qq_41494136的博客
11-21 3182
“RK3588开发环境搭建”、“SDK解压与编译”
YOLOv8部署瑞芯微RK3588板端c++源码(含使用说明).zip
10-27
【资源说明】 YOLOv8部署瑞芯微RK3588板端c++源码(含使用说明).zipYOLOv8部署瑞芯微RK3588板端c++源码(含使用说明).zip ## 编译和运行 1）编译 ``` cd examples/rknn_yolov8_demo_open bash build-linux_RK3588.sh ``` 2）运行 ``` cd install/rknn_yolov8_demo_Linux ./rknn_yolov8_demo ``` 注意：修改模型、测试图像、保存图像的路径，修改文件为src下的main.cc ``` 测试效果 冒号“:”前的数子是coco的80类对应的类别，后面的浮点数是目标得分。（类别:得分） ![images](test_result.jpg) （注：图片来源coco128） 说明：推理测试预处理没有考虑等比率缩放，激活函数 SiLU 用 Relu 进行了替换。由于使用的是coco128的128张图片数据进行训练的，且迭代的次数不多，效果并不是很好，仅供测试流程用。换其他图片测试检测不到属于正常现象，最好选择coco128中的图像进行测试。 把板端模型推理和后处理时耗也附上，供参考，使用的芯片rk3588。 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
RK3568笔记五十五：yolov10训练部署测试
最新发布
08-17 117
若该文为原创文章，转载请注明原文出处。yolov8还没熟悉，yolov10就出来了，本篇记录使用yolov10训练自己的数据，并部署到rk3568上。参考大佬的博客。
RK3588平台开发系列讲解（项目篇）基于yolov5的物体识别
内核笔记
11-02 675
📢 本篇将给大家介绍，如何运行基于yolov5的物体识别demo。
RK3568笔记四：基于TensorFlow花卉图像分类部署
10-20 1735
TensorFlow 是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库 DistBelief。使用 tf.keras.Sequential 模型对花卉图像进行分类。
rk mpp交叉编译出现“error: librockchip_mpp.so.0 uses VFP register arguments”错误
我要吃欢欢的博客
04-01 1002
编译mpp源码出现如下的错误： 解决方法： 修改CMakeLists.txt文件找到mfloat-abi关键字，看你的编译是那种类型，删除就行 xiugaiqian 修改后
瑞芯微MPP编译后执行测试程序出：undefined symbol:mpp_buffer_sync_begin_f错误
流觞时光
03-04 440
相关的so文件与编译的mpp so文件版本不同，因此出现错误。经过好几天的调试测试，编译了很多次终于找到了原因所在。**解决：**用自行编译好的so文件替换掉。：rk3588上编译MPP后执行测试程序。：系统读取的lib文件路径是。
rk3399 rkmpp 在ffmpeg上实现硬编解码
热门推荐
weixin_41176628的博客
03-10 1万+
一、编译指令： --enable-cross-compile --cross-prefix=/home/cks/fireFlyLinuxSdk/firefly/linux_sdk/buildroot/output/rockchip_rk3399pro/host/bin/aarch64-buildroot-linux-gnu- --sysroot=/home/cks/fireFlyLinuxSdk/firefly/linux_sdk/buildroot/output/rockchip_rk3399pro/ho
error while loading shared libraries: No such file or directory 解决办法
qq_62765959的博客
11-21 477
主要记录error while loading shared libraries: librockchip_mpp.so.1: cannot open shared object file: No such file or directory报错如何解决
RK3588部署YOLO
10-12
为了在RK3588上部署YOLO，您需要进行以下步骤： 1. 安装RKNN Toolkit：RKNN Toolkit是一个用于Rockchip AI芯片的深度学习推理工具包，可以将训练好的模型转换为RKNN格式，以在Rockchip AI芯片上进行推理。您可以从Rockchip官网下载并安装RKNN Toolkit。 2. 将YOLO模型转换为RKNN格式：使用RKNN Toolkit将训练好的YOLO模型转换为RKNN格式。您需要提供模型的权重文件和配置文件，并指定输入和输出节点。 3. 在RK3588上运行推理：将转换后的RKNN模型加载到RK3588上，并使用Rockchip提供的API进行推理。您需要编写代码来读取输入图像并将其传递给模型，然后解析输出以获取检测结果。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值