RK3588 NPU简介

作为瑞芯微新一代旗舰工业处理器，RK3588 NPU性能可谓十分强大，6TOPS设计能够实现高效的神经网络推理计算。这使得RK3588在图像识别、语音识别、自然语言处理等人工智能领域有着极高的性能表现。

此外，RK3588的NPU还支持多种学习框架，包括TensorFlow 、PyTorch、Caffe、MXNet等在人工智能开发中流行的深度学习框架，能够为开发者提供丰富的工具和库，使他们能够方便地进行模型训练和推理，可轻松应对各种大数据运算场景。

RK3588 NPU典型工业应用

图1

目标识别跟踪：在视频监控和无人驾驶领域，RK3588可提供6TOPS高性能NPU算力，可实时处理高清视频流、目标检测、识别和跟踪。其强大的计算能力可满足复杂场景下的实时处理需求，提高监控系统的准确性和反应速度。

AGV机器人：RK3588的NPU可提供强大的视觉处理能力，可帮助AGV机器人实现高效的路径规划和避障，提高运输效率和安全性。

医疗内窥镜：RK3588的NPU可提供图像识别和分析的能力，帮助医生快速准确地诊断疾病。其深度学习推理能力可辅助医生进行图像识别和病灶检测，提高诊断的准确性和效率。

高速收费终端：RK3588的NPU可提供车牌识别和计费的处理能力，实现高速路上的无人化收费，提高交通效率和安全性。

车载环视系统：RK3588的NPU可处理多个摄像头采集的图像数据，实现车辆周围环境的360度监控，帮助车辆进行障碍物检测、碰撞预警和自动泊车等功能。

RK3588 NPU开发流程

第一步：模型训练

首先需要收集并准备训练数据，选择适合的深度学习框架（如TensorFlow、PyTorch、Keras等）进行模型训练或使用官方提供的模型。

第二步：模型转换

完成模型训练后，使用RKNN-Toolkit2将预训练模型转换为RK3588 NPU可使用的RKNN模型。这通常涉及到将模型中的计算图进行适当的修改和优化，以适应NPU的硬件架构和指令集。

第三步：应用开发

基于RKNN API开发应用程序。开发阶段需要根据具体需求，将转换后的模型集成到应用程序中。

图2 NPU开发流程框图

RK3588 NPU开发案例分享

案例说明

本案例基于RKNN API实现对图片中目标对象的识别，并将识别结果以加水印的方式添加至图像，并保存成图片文件。案例循环测试10次，统计出推理的平均处理耗时。测试基于创龙科技RK3588工业评估板TL3588-EVM进行。

备注：本案例基于瑞芯微官方例程实现，进行了目录的重构及编译的简化,功能逻辑未进行修改。官方例程位于LinuxSDK源码"external/rknpu2/examples/rknn_yolov5_demo/"目录下。

图3

程序处理流程框图如下：

图4

案例测试

请通过网线将评估板千兆网口ETH0连接至路由器。

图5

请将案例bin目录下的所有文件拷贝至评估板文件系统任意目录下。

图6

在可执行文件所在目录，执行如下命令，对图片目标对象进行模型推理。

备注：模型运行的时间会有抖动。

Target#./yolov5_object_detect yolov5s-640-640_rm_transpose_rk3588.rknn bus.jpg

图7

从输出信息可知，本案例程序识别出测试图片包含4个person和1个bus对象，运行1次模型耗时为23.905000ms；循环运行10次模型平均耗时为21.356800ms。

案例程序对测试图片的目标对象标记成功后将输出名称为out.jpg的标记图片至当前目录，请将out.jpg文件拷贝至Windows下，并使用PC端相关软件对比查看bus.jpg与out.jpg，测试结果如下所示。

图8

图9 bus.jpg

图10 out.jpg

从out.jpg图片可知，案例程序能正确框选出4位人物和1辆汽车，同时显示person、bus文字标签和置信度，标记对象的数量及信息等与程序打印信息一致。

本程序能够支持识别的目标数据集类型说明位于bin目录下的coco_80_labels_list.txt文件，用户可根据相关目标类型进行测试验证。

图11