保姆级教程：在Ubuntu 20.04上安装rknn-toolkit 1.6（含TensorFlow 1.14.0配置）

保姆级教程：Ubuntu 20.04下rknn-toolkit 1.6与TensorFlow 1.14.0深度配置指南

如果你正在为Rockchip NPU开发AI应用，却卡在环境配置环节，这篇文章将带你避开所有坑点。不同于常规安装指南，我们将从底层依赖解析到实战验证，手把手解决TensorFlow版本冲突、Python环境隔离等典型问题。

1. 环境准备：构建稳定基础

在Ubuntu 20.04上配置rknn-toolkit前，需要特别注意系统默认Python版本（3.8）与TensorFlow 1.14.0的兼容性问题。以下是经过验证的依赖方案：

# 更新系统并安装基础编译工具
sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential cmake git

关键依赖包安装（解决图形界面相关错误）：

sudo apt install -y libglib2.0-dev libsm-dev \
     libxrender-dev libxext-dev libprotobuf-dev \
     protobuf-compiler zlib1g-dev libjpeg-dev

提示：若后续出现ImportError: libSM.so.6等错误，可尝试补充安装：

sudo apt install -y libsm6 libxrender1 libxext6

2. Python环境精准配置

为避免系统Python环境污染，强烈建议使用conda创建独立环境：

# 安装Miniconda（若未安装）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda

# 创建专用环境（Python 3.6为TensorFlow 1.14.0最佳适配版本）
conda create -n rknn python=3.6 -y
conda activate rknn

验证环境：

import sys
print(sys.version)  # 应显示3.6.x

3. rknn-toolkit 1.6安装全流程

3.1 手动安装方案（推荐）

从官方渠道获取安装包后：

# 安装依赖库（注意使用conda环境下的pip）
pip install -r requirements-cpu.txt  # 无GPU时
# 或
pip install -r requirements-gpu.txt  # 有NVIDIA GPU时

# 安装核心工具包（版本号需与实际文件匹配）
pip install rknn_toolkit-1.6.0-cp36-cp36m-linux_x86_64.whl

常见问题解决：

• 报错`No module named 'numpy.core._multiarray_umath'：

  pip uninstall numpy -y && pip install numpy==1.16.4
  

• 报错libOpenCL.so not found：

  sudo apt install ocl-icd-opencl-dev
  

3.2 自动化安装方案

配置Rockchip专属pip源：

mkdir -p ~/.pip
cat > ~/.pip/pip.conf <<EOF
[global]
extra-index-url = http://repo.rock-chips.com/pypi/simple
trusted-host = repo.rock-chips.com
EOF

执行一键安装：

pip install --upgrade rknn-toolkit==1.6.0

4. TensorFlow 1.14.0特殊配置

由于rknn-toolkit 1.6对TensorFlow版本有严格要求，需执行：

pip install tensorflow==1.14.0 --no-deps
pip install protobuf==3.19.0 numpy==1.16.4 h5py==2.10.0

版本冲突解决技巧：

• 若出现TypeError: Descriptors cannot not be created directly错误：

  pip uninstall protobuf -y && pip install protobuf==3.19.0
  

• 使用--no-deps参数可避免自动安装不兼容的依赖项

5. 实战验证与性能调优

创建测试脚本test_rknn.py：

from rknn.api import RKNN

rknn = RKNN()
print('RKNN version:', rknn.version())

# 模型转换示例配置
ret = rknn.config(
    target_platform='rk1808',
    quantize_dtype='dynamic_fixed_point-8'
)
print('Config result:', ret)

运行验证：

python test_rknn.py
# 成功输出应包含版本信息和配置返回值

性能优化参数对比：

参数	推荐值	作用说明
quantize_dtype	dynamic_fixed_point-8	8位动态定点量化，平衡精度与速度
batch_size	16	适合大多数NPU芯片的批处理大小
optimization_level	3	最高级别模型优化

6. 开发环境增强配置

6.1 可视化工具集成

安装模型分析必备工具：

pip install matplotlib==2.2.3 seaborn==0.9.0

6.2 Jupyter Notebook支持

pip install ipython==7.16.0 jupyter==1.0.0
jupyter notebook --generate-config

配置内核：

python -m ipykernel install --user --name=rknn --display-name="Python (RKNN)"

6.3 典型错误解决方案

• 错误：AttributeError: module 'tensorflow' has no attribute 'gfile' 解决：

  import tensorflow.compat.v1 as tf
  tf.disable_v2_behavior()
  

• 错误：Illegal instruction (core dumped) 解决：

  export TF_ENABLE_ONEDNN_OPTS=0
  

7. 持续集成方案

使用Docker构建可复现环境：

FROM ubuntu:20.04

RUN apt update && apt install -y \
    python3.6 python3-pip \
    libglib2.0-0 libsm6 libxrender1 libxext6

COPY requirements.txt .
RUN pip3 install -r requirements.txt --no-cache-dir

ENV PYTHONUNBUFFERED=1

构建命令：

docker build -t rknn-env .