rk3399使用rknn做识别任务

最新推荐文章于 2025-09-18 16:26:32 发布
原创 最新推荐文章于 2025-09-18 16:26:32 发布 · 1.9k 阅读 · 7 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #神经网络

本文介绍如何在RK3399Pro开发板上安装RKNN-Toolkit进行模型转换，并解决安装过程中遇到的问题，包括安装依赖库如TensorFlow、OpenCV等。
最低0.47元/天 解锁文章
EASY EAl Orin Nano(RK3576) whisper语音识别训练部署教程
EASY_EAI的博客
07-23 1086
本文为基于RK3576平台的Whisper语音识别模型训练与部署教程，涵盖以下核心流程：1）Whisper模型训练准备，包括数据集处理（如AiShell数据转SRT格式）及PyTorch模型转ONNX；2）rknn-toolkit工具链部署，详细说明Ubuntu 20.04环境搭建、工具安装及Docker环境配置；3）ONNX模型向RKNN格式的转换操作与目录结构解析；4）部署示例演示，包含源码编译、运行验证及结果输出。附资料下载链接，适用于Orin Nano设备的端到端语音识别方案落地。
Firefly AIO-3399ProC开发板安装RKNN Toolkit 1.6.0开发环境
foreverey的博客
03-08 6134
实验室的项目需要用到Firefly的AIO-3399 ProC开发板，该型号开发板集成了硬件加速芯片NPU（神经网络加速单元），经tensorflow、PyTorch等训练好的模型可用官方提供的RKNN Toolkit工具转换为.rknn格式的模型，运行在开发板上利用NPU进行对数据的后向推理加速处理。RKNN Toolkit开发套件安装繁琐，前前后后折腾了一周的时间才算部署成功，故记录下部署过程及遇到的问题，以供自己和各位参考。
rknn3399pro刷机合集（debian10镜像、刷机工具、官方代码等）
08-02
官方的下载是在外网，所以帮助大家整理rknn3399pro刷机合集（debian10镜像、刷机工具、官方代码等）
RK3399Pro RKNN-Toolkit 的使用
荪荪的博客
10-14 5606
RKNN-Toolkit前言模型运行在与 PC 相连的 Rockchip NPU 平台上 前言 目前 RKNN-Toolkit 可以运行在 PC（Linux/Windows/MacOS x64）上，也可以运行在 RK3399Pro 开发板（Debian9 或 Debian10）。 本人推荐PC是linux系统，rk3399pro是debian10，原因之后补充。 模型运行在与 PC 相连的 Rockchip NPU 平台上 该场景下，RKNN-Toolkit 运行在 PC 上，通过 PC 的 USB 连接
RK3399pro 安装RKNN Toolkit工具及依赖库
fanfan_wang的博客
02-23 1882
记录Firefly RK3399pro 在安装RKNN Toolkit 工具时踩得坑
rk3399pro上安装RKNN-Toolkit，来转换模型文件为.rknn
非学无以广才 非志无以成学
12-06 6490
1,安装Python3.5 sudo apt-get install python3.5 2.安装pip3 sudo apt-get install python3-pip 3.获取RKNN-Toolkit安装包 https://eyun.baidu.com/s/3qZUVUEg#sharelink/path=%2F (来自官网http://t.rock-chips.com/por...
精选资源
RK3568 NPU RKNN_API_for_RK356X_v1.0_20210430
09-07
相比传统的CPU和GPU，NPU在处理AI计算任务时能提供更高的能效比，更快速的运算速度，使得设备可以实时地执行复杂的AI任务，如图像识别、语音识别等。 Rockchip的RK3568是一款针对边缘计算的高性能SoC，集成了NPU...
将 MediaPipe 手势识别迁移到 RKNN：从 .task 到 RK3566 实战
zedyer的博客
09-11 1538
手把手教你将 MediaPipe 手势识别 .task 拆分为四个 TFLite，并用 RKNN Toolkit2 转换与量化，部署到 Rockchip RK3566 NPU；覆盖常见报错修复、推理管线与实时示例，快速实现低功耗高性能的边缘 AI 手势识别。
RK3588芯片NPU的使用：官方rknn_yolov5_android_apk_demo运行与解读
懒人的技术笔记
04-24 2405
本文将完成两项任务： - 官方的调用摄像头动态目标识别例子运行在rk3588的开发板上。 - 解读源码以增加对rknn开发的认识。
RK3576 Android14 rknn_yolov5_demo使用
最新发布
一路寒风身如絮,命海沉浮客独行
09-18 1155
NPU：所谓NPU(Neural network Processing Unit)， 即神经网络处理器。用电路模拟人类的神经元和突触结构，是一种专门设计用于加速人工智能（AI）和机器学习（ML）任务的处理器。它主要用于处理与神经网络相关的计算，例如深度学习模型的训练和推理。NPU通过优化矩阵运算、卷积运算等神经网络中的核心操作，显著提升了AI任务的执行效率。Yolo。
基于python下的 车牌识别代码 的车牌数据训练样本
03-25
基于python下的 车牌识别代码 的车牌数据训练样本，在博主的代码内已经附加有训练好的数据了，不需要样本便可运行，需要样本进行研究的可以下载参考
虚拟机配置AIO3399proC的RKNN-Toolkit
TataDou的博客
01-16 534
PC端配置RKNN-Toolkit
RKNN3399 快速入门开发目录
熊猫小妖的AI世界
04-29 1108
目录基础入门知识常见设置和问题解决Reference 基础入门知识 rknn3399pro 2小时入门指南（一）基础概念和基本开发流程 rknn3399pro 2小时入门指南（二）RKNN刷机攻略详解 rknn3399pro 2小时入门指南（三）在PC上搭建RKNN模拟环境、 模型转换代码、RK3399 pro使用 rknn3399pro 2小时入门指南（四）h5模型训练、tflite模型生成 rknn3399pro 2小时入门指南（五）tflite转化成rknn rknn3399pro 2小时入门指南（六
RK3399pro 使用rknn 问题记录
weixin_36588212的博客
11-13 1775
RK3399pro 使用rknn 问题记录 日期：2020-11-13 问题1：RK3399pro使用python3读取USB摄像头数据问题 基于RK3399pro使用官方fadora系统时候，因为系统配置了MIPI摄像机接口，所以 /dev/video0~video7 接口都被占用了，接入罗技USB摄像头时，自动加载为/dev/video8和video9 然而使用python3+opencv中，cv2.VideoCaptrue()，无法读取摄像头数据，会出现无图像数据的错误。 所以选择使用 [pyth
firefly RK3399pro 更新 rknn 三件套 & 编译OpenCV ！！！
zengwb的博客
12-09 5829
系列文章目录 文章目录系列文章目录前言一、RKNN 三件套介绍二、更新 DRV1.查看当前 DRV 版本（1.3.1）：三、更新 rknn-toolkit1.百度云盘拉去 rknn-toolkit-1.4.0.7z 包并且解压2.安装 python3.53. virtualenv管理python版本四、更新 API 前言 本人使用的为firefly官方的RK3399PRO开发板 一、RKNN 三件套介绍 1、rknn-toolkit ->
如何在RK3399Pro上面搭建RKNN运行环境
neardi_dev的博客
02-26 1194
如何在RK3399Pro上面搭建RKNN运行环境
【工业场景】RCNN实现车牌识别（二）训练车牌识别
向上生长的程序媛的博客
02-08 1208
CRNN是一种将车辆的车牌信息自动识别和提取的技术。它利用计算机视觉和模式识别技术，通过图像处理和字符识别，能够有效地识别和提取车牌号码。车牌识别技术广泛应用于各种场景，具有重要的应用意义。
52、人脸检测部署RK3399 PRO，完成RKNN的人脸检测
sxj731533730
12-02 2277
基本思想：帮助好友部署一个人脸检测模型，也是自己业务需求，部分代码来自好友陈同学，自己改了改c++的代码可以部署rk3399pro上了，其它资料见附录吧。链接: https://pan.baidu.com/s/1MSZG-XeIFmBfYJwUMThzDQ?pwd=1ujq 提取码: 1ujq。一、测试mnn效果,其中mnn直接搬运了大佬参考附录一。二、测试rknn效果。
Firefly AIO-3399ProC开发板安装RKNN Toolkit 1.4.0开发环境
foreverey的博客
03-10 2924
先前在开发板上部署了RKNN Toolkit 1.6.0版本，在运行官方提供的demo时存在一些问题，所以这两天在开发板上安装了RKNN Toolkit 1.4.0版本，安装和测试的过程中也遇到了一些问题，故记录在此文章中，方便以后自己部署时或者各位同学参考。
rk3588中ros2使用rknn模型进行识别
04-28
### RK3588 平台上基于 ROS2 和 RKNN 模型的目标识别实现 在 RK3588 平台上的目标识别任务可以通过结合 ROS2 和 RKNN 工具包来高效完成。以下是具体的技术细节以及如何集成这些工具的方法。 #### 1. 安装依赖项 为了运行此项目，需要确保已安装以下软件和库： - **RKNN Toolkit**: 提供了用于加载和推理 `.rknn` 文件的功能[^1]。 - **ROS2**: 使用最新版本的 ROS2 配置开发环境。 - **OpenCV**: 用于图像处理和显示。 可以按照官方文档中的说明安装 RKNN Toolkit 和 OpenCV 库。对于 ROS2 的安装，请参考其官网指南。 #### 2. 创建 ROS2 节点 创建一个新的 ROS2 包并定义一个节点类来进行目标检测： ```python import rclpy from rclpy.node import Node import cv2 from sensor_msgs.msg import Image from cv_bridge import CvBridge from rknn.api import RKNN class ObjectDetectionNode(Node): def __init__(self): super().__init__('object_detection_node') self.subscription = self.create_subscription( Image, 'camera_topic', self.image_callback, 10) self.publisher_ = self.create_publisher(Image, 'detected_objects', 10) self.bridge = CvBridge() # 初始化 RKNN 模型 self.rknn = RKNN() ret = self.rknn.load_rknn('./path/to/your_model.rknn') # 替换为实际路径 if ret != 0: raise Exception('Failed to load model!') print('Model loaded successfully') self.rknn.init_runtime() def image_callback(self, msg): try: frame = self.bridge.imgmsg_to_cv2(msg, desired_encoding='bgr8') frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 推理部分 outputs = self.rknn.inference(inputs=[frame]) # 后处理逻辑 (假设输出是一个列表形式的结果) detections = process_outputs(outputs) # 自定义函数解析模型输出 # 可视化结果 annotated_frame = draw_detections(detections, frame) # 绘制边框等功能 annotated_msg = self.bridge.cv2_to_imgmsg(annotated_frame, encoding="rgb8") # 发布消息 self.publisher_.publish(annotated_msg) except Exception as e: self.get_logger().error(f'Error processing image: {e}') def main(args=None): rclpy.init(args=args) node = ObjectDetectionNode() rclpy.spin(node) node.destroy_node() rclpy.shutdown() if __name__ == '__main__': main() ``` 这段代码展示了如何通过订阅摄像头主题获取实时视频流，并利用 RKNN 进行推理[^1]。最后将带有标注框的画面发布到新的主题中。 #### 3. CMakeLists.txt 设置 如果计划使用自定义编写的可执行文件或者调用其他外部程序，则需修改 `CMakeLists.txt` 来链接必要库: ```cmake find_package(catkin REQUIRED COMPONENTS roscpp std_msgs) find_package(OpenCV REQUIRED) add_executable(rknn_ros2_object_detection src/object_detection_node.cpp) target_link_libraries(rknn_ros2_object_detection ${catkin_LIBRARIES} ${OpenCV_LIBRARIES}) ``` 此外还需加入对 RKNN runtime library (`librknnrt.so`) 的支持[^2]: ```cmake set(RKNNRT_LIBRARY_PATH "/usr/lib/aarch64-linux-gnu/") link_directories(${RKNNRT_LIBRARY_PATH}) add_executable(onnx2rknn_demo src/onnx2rknn_demo.cpp) target_link_libraries(onnx2rknn_demo ${catkin_LIBRARIES} ${OpenCV_LIBRARIES} librknnrt.so) ``` #### 4. 测试与优化 测试阶段建议先验证单张图片的效果再扩展至视频流。另外注意调整输入分辨率以匹配硬件性能限制。 ---
评论
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