【备忘】RK3588中RKNN_YOLOV5的demo运行

RK3566上运行yolov5模型进行图像识别 本文记录了依靠RK官网的文档,一步步搭建环境到最终在rk3566上把yolov5 模型跑起来。最终实现的效果如下:其中yolov5s-640-640.rknn是模型文件,bus.jpg是输入给模型的图像数据输入图像:输出识别结果:其中console输出如下下面简单记录实现过程。 阅读详情
AI摘要

本文介绍了YOLO在3588Demo板上运行的详细步骤。包括环境准备,如硬件要求和网络、ADB接口连通;准备工作,如下载工程、更新文件、安装编译工具等;上板准备,如新建目录和上传文件;最后进行上板运行。

目录

0. 环境

1. 准备工作

2. 上板准备

3. 【Demo板】上板运行


0. 环境

硬件:3588Demo板 × 1;Linux调试机 × 1;Demo板和调试机之间保证网络连通以及ADB接口连通。

1. 准备工作

    1.1 【调试机】下载RKNPU2工程

cd <your-proj-path>
git clone https://github.com/rockchip-linux/rknpu2.git

    1.2 【Demo板】更新rknn_server和librknnrt.so

详情参考rknpu2仓库目录下的rknn_server_proxy.md文件

    1.3 【调试机】安装交叉编译工具

sudo apt-get install gcc-9-aarch64-linux-gnu g++-9-aarch64-linux-gnu

     1.4【调试机】下载交叉编译工具链

cd <your-proj-dir>
git clone https://gitlab.com/firefly-linux/prebuilts/gcc/linux-x86/aarch64/gcc-buildroot-9.3.0-2020.03-x86_64_aarch64-rockchip-linux-gnu.git

此时,你的【调试机】上已有两个目录,分别为rknpu2的仓库目录以及交叉编译工具链目录,如下图:

 

    1.5 【调试机】更改build脚本

进入RKNPU2项目内,如下路径

cd rknpu2/examples/rknn_yolov5_demo/

 修改build-linux_RK3588.

基于RKNN的YOLOv5安卓Demo 基于RKNPU2 SDK 1.6.0版的安卓YOLOv5演示应用程序,选择图片进行对象检测并显示识别结果。 阅读详情

相关推荐

rk3588对npu的再探索,yolov5使用rknn模型推理教程

博主在瑞芯微ITX-3588J-8K的开发板上跑了yolov5目标检测算法,调用了外置相机获取rtsp视频流,但是每帧处理需要833ms左右,和放PPT一样。本来想使用tensorrt进行加速推理,但是前提需要cuda,rk的板子上都是arm的手机gpu,没有nvidia的cuda,所以不能这样适配。那么转过来,使用开发板自带的NPU进行加速推理,岂不是最佳方案,因为它本身就是人工智能开发板,不用NPU相当于没有发挥它的全部能力。.........

振华OPPO的博客世界 2万+

【RK3588-linux开发】3、训练yolov5并在RK3588上运行

首先要看看官方文档,对于PC端的开放(模型转换与模拟测试)阅读,toolkit下载: Rockchip_User_Guide_RKNN_Toolkit2_CN-1.2.0.pdf 板载部署(C++/C)阅读其NPU的SDK开发文档,SDK下载: Rockchip_RKNPU_User_Guide_RKNN_API_V1.2.0_CN.pdf 按照下面步骤训练自己的yolov5模型,并转化为RKNN模型,并再PC端模拟和板载部署运行。 1. 训练yolov5 下载RK推荐的yolov5进行训练,该仓库

stupid_miao的博客 1万+

RK3588芯片NPU的使用:Windows11使用RKNN Docker运行YOLOv5目标检测模型

瑞芯微的NPU工具集调整后放到新的仓库,名曰,它包括toolkit2和toolkit-lit2,以及rknpu2。下面简单介绍这三个库都是干什么的。

懒人的技术笔记 3213

【边缘设备】yolov5训练与rknn模型导出并在RK3588部署~1.环境准备(亲测有效)

在翻阅了网络上很多资料后,发现很多版本的信息比匹配。花了一周的时间配置环境,以及环境验证,然后写了这篇长文。有过程,有代码,有经验,欢迎大家批评指正。

4578

RK3588芯片NPU的使用:官方rknn_yolov5_android_apk_demo运行与解读

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。

懒人的技术笔记 3156

RK3566/RK3588 yolov5部署(二)NPU冒烟测试及rknn_api使用

本文提供rk3566和rk3588平台下mobilenet测试代码rk3566:通过网盘分享的文件:NPU_Test_rk3566链接: https://pan.baidu.com/s/1kty3Q2x_QltjobGkijie6g?pwd=3566 提取码: 3566rk3588:通过网盘分享的文件:NPU_Test_rk3588链接: https://pan.baidu.com/s/1tmTFArfLFoYR7HJXHflXvg?pwd=3588 提取码: 3588。

2301_76564925的博客 2102

RK3588芯片NPU的使用:yolov8-pose例子图片检测在安卓系统部署与源码深度解析(rknn api)

该方法对检测模型的输出进行后处理,包括 检测框解码、置信度过滤、非极大值抑制(NMS)以及关键点坐标映射,最终输出人体检测框和对应的关键点信息,封装在object_detect_result_list中。SDK支持的查询命令很多,具体参考官方文档:04_Rockchip_RKNPU_API_Reference_RKNNRT_V2.3.0_CN.pdf。:用于 RKNN_QUERY_IN_OUT_NUM 命令的返回结果,存储模型的输入/输出张量数量。没什么好说的,输入设置完毕后,执行模型推理。

懒人的技术笔记 2603

RK3588——yolov5_demo源码阅读

学习Yolov5的demo

pyh1322712308的博客 1260

RK3588上部署yoloV5

电脑win10 装的 vmware 16pro 操作系统ubuntu20.04开发板 rk3588 一根 usb-typeC的数据线 用来PC与开发板通信在ROCKCHIP芯片上的EVB板子上使用RKNN-Toolkit2 和 RKNPU工具 将onnx模型转化为rknn模型 并进行板端推理。

m0_51887082的博客 2296

RK3568笔记五:基于Yolov5的训练及部署

环境:Ubuntu20.04、python3.8芯片:RK3568芯片系统:buildroot开发板:ATK-DLRK3568开发主要参考文档:《Rockchip_Quick_Start_RKNN_Toolkit2_CN-1.4.0.pdf》、《Rockchip_User_Guide_RKNN_Toolkit2_CN-1.4.0.pdf》

4488

RK3588平台开发系列讲解(RKNN篇)RKNN Android平台开发说明

📢RKNN SDK 为带有 RKNPU 的芯片平台提供编程接口,能够帮助用户部署使用 RKNN-Toolkit2导出的 RKNN 模型,加速 AI 应用的落地。

内核笔记 4696

PSM倾向匹配详细步骤和程序

目录1.安装psmatch2统计包。2.数据准备3.数据分析及命令解读4.结果解读4.1模型拟合结果,此处无太多实际意义。4.2试验组可匹配的观测概览,按照命令中设定的匹配规则,试验组有8例患者未能匹配到合适对照。4.3结果解读的重点应该是对stata新生成的中间变量的解读。4.4均衡性检验结果4.5匹配结果的图示化5.Stata命令汇总最后留下两个问题给大家思考:题目 试验设计中,匹配的目的在于确保干预效应估计是建立在可比个体之间的不同结果的基础上。最简单的匹配方式是将干预组和对照组中协变量值相同的两个个

平平淡淡,戒急用忍,一生学闭嘴。 5万+

MacOS下Mixly 2.0安装避坑指南:从Java环境到终端权限全解析

本文详细解析了在MacOS系统上安装Mixly 2.0时可能遇到的核心问题与解决方案。针对Java环境版本不兼容、MacOS Gatekeeper安全机制拦截以及终端权限不足三大常见障碍,提供了从检查并配置正确Java版本、安全设置绕过到彻底解决应用内部工具链权限的完整避坑指南,帮助用户顺利完成安装并正常使用。

weixin_29231725的博客 502

Codex 100个真实案例 - 用AI生成Blender 3D建模脚本(建模师要失业了?)

本案例将展示如何用 Codex 生成 Blender Python API(bpy)脚本,自动创建完整的 3D 模型。我们将从基础几何体开始,逐步实现布尔运算、材质设置、光照配置,最终完成一张精美桌子的 3D 建模——包括桌面、桌腿、倒角、木纹材质。还会实现参数化批量生成不同风格的桌子、渲染输出 PNG 图片、以及 360 度旋转动画。全程用自然语言驱动 Codex,让建模从"点鼠标"变成"说人话"!

yueyeguzhuo的专栏 629

DeepSeek 赋能招投标全流程智能化:多模态解析、知识图谱与投标文件自动生成实战指南(附完整代码与行业案例)

摘要:本文深入探讨DeepSeek技术在招投标领域的全流程智能化应用,通过整合自然语言处理(NLP)、多模态解析、知识图谱等核心技术,实现招标文件智能解析与投标文件自动生成。文中详细解析DeepSeek-R1模型的多模态处理机制、动态知识图谱构建方法及智能模板填充算法,通过完整代码实现展示技术细节。结合广某资源交易平台、山西XX"XX云"等典型案例,验证技术方案在提升招投标效率、降低人为错误方面的显著效果。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1462

ANFIS实现数据非线性回归附Matlab代码

在本文中,我们将介绍如何使用Matlab实现基于MSE的ANFIS非线性回归,并提供相应的源代码。ANFIS是一种融合了模糊逻辑和神经网络的方法,它可以通过学习数据集中的模式来构建一个模糊推理系统。ANFIS的训练过程基于最小化MSE,以提高模型的拟合能力。通过上述代码示例,我们可以使用基于MSE的ANFIS模型对数据进行非线性回归,并获得相应的预测结果。在示例中,我们定义了一个包含两个样本的新输入数据集 X_new,然后使用训练好的ANFIS模型进行预测,并将结果存储在变量 Y_pred 中。

2301_79326588的博客 473

【YOLO】YOLOV5-Seg的Segment模块解析

Segment模块同时输出检测结果和分割掩模,通过轻量级分割头实现实时实例分割

浩瀚之水的专栏 598

基于Simulink的永磁同步电机三闭环(位置/速度/电流)伺服仿真

本文详细介绍了基于Simulink的永磁同步电机三闭环伺服控制系统的设计与实现,针对机器人关节控制场景。系统采用位置环(外环)、速度环(中环)和电流环(内环)的嵌套结构,通过精确的带宽匹配(电流环1kHz、速度环200Hz、位置环20Hz)实现亚微米级位置跟踪。文中提供了完整的Simulink建模步骤,包括主电路搭建、三环PI控制器实现及坐标变换模块,并验证了系统性能:阶跃响应时间35ms,位置误差<0.05°,正弦跟踪误差<0.15°,负载突加恢复时间0.08s。最后提出了参数自适应整定、前馈

amy_mhd的博客 279

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

上一篇: 【备忘】Paddle安装后无法找到libcudart.so等cuda/cudnn的库文件
下一篇: Ubuntu20.04升级22.04失败解决
LateLinux
博客等级 码龄18年 65粉丝 25原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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