1
2
3
4
5
sudo apt update --fix-missing
sudo apt -y upgrade
sudo apt update
sudo apt install rknn-rk3399pro

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
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()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
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()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
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()