前言

在ubuntu上给rk3399 pro烧录debian，并跑深度学习

1. 准备

从这里下载debian固件
从这里下载烧录工具

2. 烧录

• 1、Type-C线连接主机端的USB接口和TB-RK3399Pro开发板的Type-C接口。
• 2、长按TB-RK3399Pro开发板上recovery按键后重启机器，进入Loader模式。
• 3、解压固件，将固件拷贝到linuxTool-v1.0/images目录下
• 4、执行sudo ./flash.py -l all，如何失败执行sudo python flash.py -l all
• 5、烧录完成后会重启，进入debian

奇怪的混入者

• 装gedit（debian自带vim，可以不装gedit）
• sudo apt install libgtk-3-dev
• 配置.bashrc
  • 将ll改成ll -alF
  • 在末尾加export PATH=$PATH:/usr/sbin:/sbin:/usr/local/sbin
• 配置pip安装路径
  • 在用户目录执行mkdir -p .pip/pip.conf
  • gedit .pip/pip.conf
  • 输入
    [global]
    index-url = https://pypi.tuna.tsinghua.edu.cn/simple
    [install]
    trusted-host=mirrors.aliyun.com

3. 更新软件

• rknn_tooklit : pip3 install --user -U rknn
  • 如果失败可以从这里下载whl文件安装
• rknn_api :

sudo apt update --fix-missing
sudo apt -y upgrade
sudo apt update
sudo apt install rknn-rk3399pro

• npu_drv : 重启
• 之后会出现libf77blas.so.3 缺失 ，执行 sudo apt-get install libatlas-base-dev
• 其他问题可参考这里

4. 模型转换

from rknn.api import RKNN  
 
INPUT_SIZE = 64
 
if __name__ == '__main__':
    # 创建RKNN执行对象
    rknn = RKNN()
# 配置模型输入，用于NPU对数据输入的预处理
# channel_mean_value='0 0 0 255'，那么模型推理时，将会对RGB数据做如下转换
# (R - 0)/255, (G - 0)/255, (B - 0)/255。推理时，RKNN模型会自动做均值和归一化处理
# reorder_channel=’0 1 2’用于指定是否调整图像通道顺序，设置成0 1 2即按输入的图像通道顺序不做调整
# reorder_channel=’2 1 0’表示交换0和2通道，如果输入是RGB，将会被调整为BGR。如果是BGR将会被调整为RGB
#图像通道顺序不做调整
    rknn.config(channel_mean_value='0 0 0 255', reorder_channel='0 1 2')
 
# 加载TensorFlow模型
# tf_pb='digital_gesture.pb'指定待转换的TensorFlow模型
# inputs指定模型中的输入节点
# outputs指定模型中输出节点
# input_size_list指定模型输入的大小
    print('--> Loading model')
    rknn.load_tensorflow(tf_pb='digital_gesture.pb',
                         inputs=['input_x'],
                         outputs=['probability'],
                         input_size_list=[[INPUT_SIZE, INPUT_SIZE, 3]])
    print('done')
 
# 创建解析pb模型
# do_quantization=False指定不进行量化
# 量化会减小模型的体积和提升运算速度，但是会有精度的丢失
    print('--> Building model')
    rknn.build(do_quantization=False)
    print('done')
 
    # 导出保存rknn模型文件
    rknn.export_rknn('./digital_gesture.rknn')
 
    # Release RKNN Context
    rknn.release()

5. 模型推理

import numpy as np
from PIL import Image
from rknn.api import RKNN
# 解析模型的输出，获得概率最大的手势和对应的概率
def get_predict(probability):
    data = probability[0][0]
    data = data.tolist()
    max_prob = max(data)
    return data.index(max_prob), max_prob;
def load_model():
    # 创建RKNN对象
    rknn = RKNN()
    # 载入RKNN模型
    print('-->loading model')
    rknn.load_rknn('./digital_gesture.rknn')
    print('loading model done')
    # 初始化RKNN运行环境
    print('--> Init runtime environment')
    ret = rknn.init_runtime(target='rk3399pro')
    if ret != 0:
       print('Init runtime environment failed')
       exit(ret)
    print('done')
    return rknn
def predict(rknn):
    im = Image.open("7.jpg")   # 加载图片
    im = im.resize((416, 416),Image.ANTIALIAS)  # 图像缩放到64x64
    mat = np.asarray(im.convert('RGB'))    # 转换成RGB格式
    outputs = rknn.inference(inputs=[mat])   # 运行推理，得到推理结果
    #pred, prob = get_predict(outputs)     # 将推理结果转化为可视信息
    #print(prob)
    print(outputs)
 
if __name__=="__main__":
    rknn = load_model()
    predict(rknn) 
 
    rknn.release()

6. Toolkit

from rknn.api import RKNN
import numpy as np
import cv2
from warnings import simplefilter

simplefilter(action='ignore', category=FutureWarning)

# 初始化 RKNN 对象
rknn = RKNN()
# 获取设备列表
rknn.list_devices()
# RKNN 模型配置
rknn.config(channel_mean_value='0 0 0 255', reorder_channel='0 1 2')
# 加载darknet模型
ret = rknn.load_darknet(model='./tiny-yolo-voc.cfg', weight='./tiny-yolo-voc_best.weights')
if ret != 0:
  print('Load failed!')
  exit(ret)
# 构建 RKNN 模型
ret = rknn.build(do_quantization=True, dataset='./dataset.txt', pre_compile=False)
if ret != 0:
  print('Build failed!')
  exit(ret)
# 导出 RKNN 模型
#ret = rknn.export_rknn('./tiny-yolo-voc.rknn')
# 加载 RKNN 模型
#ret = rknn.load_rknn(path='./tiny-yolo-voc.rknn')

img = cv2.imread('./7.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
shrink = cv2.resize(img, (416,416), interpolation=cv2.INTER_AREA)
# 初始化运行时环境
ret = rknn.init_runtime(perf_debug=True, eval_mem=True)
# 使用模型对输入进行推理
#outputs = rknn.inference(inputs=[shrink])
#  对模型性能进行评估
#rknn.eval_perf(inputs=[shrink], is_print=True)
# 获取内存使用情况
#memory_detail = rknn.eval_memory()

7. 遇到的问题

• 1、E Only support ntb mode on ARM64 platform. But can not find device with ntb mode.
  • ret = rknn.init_runtime(target=‘rk3399pro’)去掉参数，或target=‘rk1808’，很迷的参数
• 2、E RKNNAPI: rknn_init, msg_load_ack fail, ack = 1(ACK_FAIL), expect 0(ACK_SUCC)!
  E RKNNAPI: ==============================================
  E RKNNAPI: RKNN VERSION:
  E RKNNAPI: API: 1.3.2 (9eebd73 build: 2020-04-02 15:30:36)
  E RKNNAPI: DRV: 1.3.1 (6ebb4d7 build: 2020-01-02 09:37:58)
  E RKNNAPI: ==============================================
  E Catch exception when init runtime!
  E Traceback (most recent call last):
  E File “rknn/api/rknn_base.py”, line 1067, in rknn.api.rknn_base.RKNNBase.init_runtime
  E File “rknn/api/rknn_runtime.py”, line 326, in rknn.api.rknn_runtime.RKNNRuntime.build_graph
  E Exception: RKNN init failed. error code: RKNN_ERR_MODEL_INVALID
  E Current device id is: None
  E Devices connected:
  E [‘9cd15daa2683fa8f’]
  Init runtime environment failed
  • 模型中有不支持的op

最后

以上就是激情刺猬为你收集整理的小白都能看懂的rk3399 pro使用前言的全部内容，希望文章能够帮你解决小白都能看懂的rk3399 pro使用前言所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。