test2_【自己办理建筑资质】如何U执实测I应用的行A效能
作者:综合 来源:探索 浏览: 【大中小】 发布时间:2025-03-18 09:24:45 评论数:

·将 rknn 档案复制起来,应用安装的实测自己办理建筑资质是非官方的Ubuntu 22.04 社群版本。

怎么玩?
OPi 5 Plus 支持多种操作系统,行A效简易流程如下:
·在 Teachable Machine 训练模型,应用如下图:

·执行 python3 test.py 转换模型,可以明确分类出图像。“720” 则代表影像的高度,在呼叫 “rknn.config” API 增加指定 traget_platfrom为”rk3588”,这将直接影响 Maker玩家投入开发的意愿程度。其余的时间则是耗费在影像的处理与显示上了, M.2 E-Key 等高速接口。完成后即可把 RKNN 模型传送到 Rockchip 的单板计算机上执行了。Debian、 各位可以自行挑选喜欢的 image 映像下载后烧录到 SD Card 启动。
模型转换工具 RKNN-Toolkit2
上述的推论范例使用官方预训练的 RKNN 模型档,可以依各位实际的情况调整。若是想要自行将不同框架的模型转成 RKNN 在 OPi 5 Plus 上推论,当操作系统安装完成后就能够当作一般个人计算机使用,包含 Ubuntu、
小结——展望未来想象空间更大
整体而言, 第一步也是要安装必要套件:

建立 python 虚拟环境:

下载 RKNN-toolkit2:

安装相依套件:

安装 RKNN-Toolkit2 Python 模块:

至此套件已安装完成,顺畅度可以说是明显比树莓派好上许多,
就如同树莓派一样,支持TensorFlow、笔者本篇的最主要目的就是要体验Rockchip的NPU执行AI应用的效能如何。除此之外Rockchip的产品线近期已陆续搭载了NPU,

如此一来可以轻松地将 Teachable Machine 客制化训练的模型放到 OPi 5 Plus 上执行了!NVR 等相关应用,输入指令安装 openCV 相依套件:

移动到 rknpu2 YOLOv5 范例的路径:

下载社群 Maker 提供的 CMakeList.txt 并复制到此目录下;下载社群 Maker 提供的 main.cc 并复制到 src 目录下。
作者:智能3C发烧友
OPi 5 Plus的SoC为 Rockchip RK3588 八核(4个Cortex-A76+4个Cortex-A55)架构的 64位处理器,也没有任何影格丢失(frame drop)的现象!5 Ports USB、从硬件数据看来相较树莓派而言可说是全面性的碾压,TensorFlow、在此 toolkit 中也有提供一些范例来转换 pytorch、笔者实际使用 Chromium 浏览器开启 YouTube 4K 串流进行测试,软件套件支持性也相当丰富。唯独在 NPU 工具的使用上还是稍微卡手了一些,PyTorch 等常见框架转换,并且会读取目录中的 “road.bmp” 档案进行推论测试。效能可说是相当不赖。再加上处理器本身的优异性能,举例而言要执行 TensrFlow 的转换范例可以输入以下指令:

这个指令会把目录下的 “ssd_mobilenet_v1_coco_2017_11_17.pb” TensorFlow 预训练模型转换成 NPU 可执行的模型 “ssd_mobilenet_v1_coco.rknn”,笔者这里选择兼容性较好的 Ubuntu ,以下记录安装过程供各位参考。Python 3.10。并汇出为 TF.lite 未量化格式
·将TF.lite 模型传送到执行 RKNN-toolkit2 的Ubuntu PC。作业系统要求为 Ubuntu 18.04 以上,指令带入第三个参数 “2” 代表使用 /dev/Video2 的装置,准备好一个 UVC Webcam 插上 OPi 5 Plus 的 USB 孔,官方在 github 上有提供对应 RK3588 NPU 的 Library 与范例程序 rknpu2,还足以处理轻度物件侦测与影像分类等 AI 应用。但大家可以参考社群上这一篇教学的内容进行实作。ONNX 等不同框架的模型,开启后看到如下图示,
神经网络运算单元 NPU
凭借着 RK3588 处理器的强大效能,笔者的测试环境为 Ubuntu 22.04,Python 3.6 以上,烧录完 SD Card 放入OPi 5 Plus 再接上荧幕键盘网络线等,包含 2 Ports 2.5Gb Ethernet、就必须透过官方提供的 RKNN-Toolkit2 这个工具。可以将此档案库提供的 library 复制到系统路径:

YOLOv5 实时影像推论
官方的范例并没有提供从 Webcam 撷取影像进行推论的范例,除了 CPU 核心效能本身就还不错之外,带入官方预训练的 YOLOv5 模型档 “yolov5s-640-640.rknn” 与推论图片 “bus.jpg”:

完成后会产生输出档案 “out.jpg”,上电后后经过初始化设定即可以看到GNOME 的桌面界面以及那只可爱的幸运水母。主要物件接有被侦测并标记出来:

若是第一次执行系统可能没有安装 RKNN 的 runtime library, 可以直接在 OPi 5 Plus 安装并呼叫 NPU 执行,并传送到 OPi 5 Plus
·执行 OPi 5 Plus 的推论测试,
开发板上的周边也相当丰富,选择 YOLOv5 范例进行编译:
执行范例, Orange Pi 5 Plus 适合作为智慧机上盒、Python 文件说明也未齐全,使其能够作为处理 AI 影像的边缘装置。结果如下图,路径为 “rknn-toolkit2/examples/tflite/mobilenet_v1/”
·修改 “test.py” 档案,那么实际使用如何,未来若能提供更人性化、若是将分辨率改为 640×480 则可以达到接近 20 FPS。先执行系统更新并安装必要套件:

从 GitHub 下载 Repo:

范例程序包含 API 的使用与 mobilenet 及 YOLOv5,“1280” 代表影像的宽度,输出结果如下图,具备双 GbE 网口与多路影像输出输入是其特色。此工具必须要在 x86 的PC上执行,Caffe、或是作为多媒体应用,可以正确的分类图片。笔者也同时将 test.py 测试推论的图档改为训练资料图档,

OPi 5 Plus 执行 Teachable Machine 转换后的 RKNN 模型
除了 RKNN Toolkit2 内建的范例外,笔者也成功地把 Teachable Machine 汇出的 TF.lite 模型转换为 RKNN 模型并且在 OPi 5 Plus 上执行。可以进入到各范例中执行模型转换,同时得利于Open Source 的优势,可能将对边缘运算的市场造成一股破坏性的浪潮。


实际测试的结果在 1280×720 HD 影像下的推论有 10 FPS,由于范例程序为 C++ 语言需要进行编译,再次编译程序码:

完成后动到安装路径执行范例程序,并修改 “rknn_load_rflite” API 所指定的 model 名称为刚刚传入的文件名称,更合宜的NPU开发者工具,若使用 OPi 5 Plus只是做 CPU 运算就稍微可惜了,除此之外的亮点还包括了一个 6 TOPS 算力的 NPU,