ROC-RK3588S-PC上手+模型测试教程

憨憨师兄

已于 2023-10-11 16:12:43 修改

阅读量1.5k

点赞数 1

文章标签：单片机

于 2023-08-18 15:58:20 首次发布

本文链接：https://blog.csdn.net/weixin_48568323/article/details/132362864

版权

一、装机

1.准备

主机、开发板、电源线、TypeC-USB线

2.准备固件

~下载链接：Firefly | 让科技更简单，让生活更智能

~下载完成后，如下红框为所需固件：

3. 安装驱动

~下载链接1：Firefly | 让科技更简单，让生活更智能

~解压后得到如图：

~先点击“驱动卸载”，然后成功后，再点击“驱动安装”，显示成功。

~下载链接2：Firefly | 让科技更简单，让生活更智能

~ 下载好后，如图，此时，下方还不是“Found One ADB Device”，继续接下来的步骤。

4.进入升级模式

~断开电源连接，用Type-C接线和电脑端连接，如图接口。

~按住Recovery键，保持

（此时注意，Recovery键是水平的黑色按键，和左侧黑色接口贴的很死，需要指甲伸进去然后按下。）

~此时接上电源，大概两秒之后，松开手即可。

5.开始升级

~此时进入3中下载的软件，按照如图三步走

~Firmware弹出的框，选择 2里面红框标识的文件。然后点击

~ 开始进行更新，右边白框会显示数据。

~等出现success时，升级结束。此时开发板亮起了蓝色指示灯。

6.adb进入板子

~先下载adb

~下载链接：Firefly | 让科技更简单，让生活更智能

~然后解压到C盘，目录地址为C：\adb

（注意，必须是C，要不还得自己配环境变量）

~键盘快捷键：windows键+R进入cmd界面

~输入

cd C:\adb
adb shell

~如下，即完成本步骤

二、测试前环境安装

1.下载toolkit包

GitHub - rockchip-linux/rknn-toolkit2

2.Linux系统安装miniconda

conda创建环境，并激活

3.安装开发环境

sudo apt-get install python3 python3-dev python3-pip

sudo apt-get install libxslt1-dev zlib1g zlib1g-dev libglib2.0-0 libsm6 \
libgl1-mesa-glx libprotobuf-dev gcc

然后打开下载的toolkit2包，进入package/

这一步记住根据python版本和linux系统选择合适的whl包：

sudo pip3 install rknn_toolkit2.xxxxxx.whl

检查安装是否成功，如图即为成功

4. 上机测试

通过typeC-usb线连接到linux系统，然后查看设备

adb devices

红框为当前连接设备ID号

5.连板调试启动

adb push Linux/rknn_server/${BOARD_ARCH}/usr/bin/ /usr/bin
adb push Linux/librknn_api/${BOARD_ARCH}/librknnrt.so /usr/lib目录

然后输入指令进入串口终端

adb shell

执行

chmod +x /vendor/bin/rknn_server
sync
reboot

此时启动成功

6.测试代码

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN

ONNX_MODEL = 'yolov5m6_new.onnx'
RKNN_MODEL = 'yolov5m6_new.rknn'

QUANTIZE_ON = True #是否量化
batch = 16
channel = 3
height = 640
width = 640
output_names=['/24/m.0/Conv_output_0','/24/m.1/Conv_output_0','/24/m.2/Conv_output_0']
input_name = 'images'
DEVICE_ID = '0b269a5507adbdf4' #设备ID号
DATASET = './dataset.txt' #模型输入数据地址保存位置

if __name__ == '__main__':

    # Create RKNN object
    rknn = RKNN(verbose=True)

    # pre-process config
    print('--> Config model')
    rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], target_platform='rk3588')
    print('done')

    # Load ONNX model
    print('--> Loading model')
    ret = rknn.load_onnx(model=ONNX_MODEL,
    			inputs=[input_name],
            		input_size_list=[[batch,channel,height,width]],
            		outputs= output_names)
    if ret != 0:
        print('Load model failed!')
        exit(ret)
    print('done')

    # Build model
    print('--> Building model')
    img = np.random.randn(batch, height, width, 3)*255-128
    img = img.astype(np.int8)
    img_0 = np.random.randn(batch, 3, height, width)*255-128
    img_0 = img_0.astype(np.int8)
    np.save("img_0.npy", img_0)
    ret = rknn.build(do_quantization=QUANTIZE_ON,dataset=DATASET)
    if ret != 0:
        print('Build model failed!')
        exit(ret)
    print('done')

    # Export RKNN model
    print('--> Export rknn model')
    ret = rknn.export_rknn(RKNN_MODEL)
    if ret != 0:
        print('Export rknn model failed!')
        exit(ret)
    print('done')

    # Init runtime environment
    print('--> Init runtime environment')
    #ret = rknn.init_runtime()
    ret = rknn.init_runtime(target='rk3588', device_id=DEVICE_ID, perf_debug=True,eval_mem=True)
    #ret = rknn.init_runtime(target='rk3588', )
    if ret != 0:
        print('Init runtime environment failed!')
        exit(ret)
    print('done')

    # Set inputs
    #img = cv2.imread(IMG_PATH)


    # # Inference
    # print('--> Running model')
    # outputs = rknn.inference(inputs=[img])
    # Inference
    
    outputs = rknn.inference(inputs=[img], data_format="nhwc")
    rknn.eval_perf(is_print=True)


    rknn.release()