RKNN Toolkit

Rockchip提供RKNN-Toolkit开发套件进行模型转换、推理运行和性能评估。

用户通过提供的 python 接口可以便捷地完成以下功能：

1）模型转换：支持 Caffe、Tensorflow、TensorFlow Lite、ONNX、Darknet 模
型，支持RKNN 模型导入导出，后续能够在硬件平台上加载使用。

2）模型推理：能够在 PC 上模拟运行模型并获取推理结果，也可以在指定硬件
平台RK3399Pro Linux上运行模型并获取推理结果。

3）性能评估：能够在 PC 上模拟运行并获取模型总耗时及每一层的耗时信息，
也可以通过联机调试的方式在指定硬件平台 RK3399Pro Linux上运行模型，并获
取模型在硬件上运行时的总时间和每一层的耗时信息。

RKNN Tookit仅支持Linux系统，可在PC上使用。

程序安装

RKNN Toolkit可从此链接中下载：

下载链接

,或者使用SDK中的"/external/rknn-toolkit"目录。

在PC中安装

Ubuntu 16.04

基础安装：

   sudo apt-get install -y python3 python3-pip libglib2.0-dev \
           libsm-dev libxrender-dev libxext-dev

安装RKNN Toolkit:

   pip3 install --user -r rknn-toolkit/packages/requirements-cpu.txt
   # rknn-toolkit的版本可能不一样，请选择对应的文件进行安装
   pip3 install --user rknn-toolkit/packages/rknn_toolkit-1.3.0-cp35-cp35m-linux_x86_64.whl

如果PC中有GPU加速则用requirements-gpu.txt替换requirements-cpu.txt。

Ubuntu 18.04

步骤如Ubuntu 16.04，只需将rknn_toolkit-1.3.0-cp35-cp35m-
linux_x86_64.whl替换为rknn_toolkit-1.3.0-cp36-cp36m-linux_x86_64.whl

在PC中程序升级（1.0.0 -> 1.3.0）

Ubuntu 18.04

   pip3 install --user -r rknn-toolkit/packages/requirements-cpu.txt
   pip3 install --user -U rknn-toolkit/packages/rknn_toolkit-1.3.0-cp36-cp36m-linux_x86_64.whl

如果PC中有GPU加速则用requirements-gpu.txt替换requirements-cpu.txt。

Ubuntu 16.04

   pip3 install --user -r rknn-toolkit/packages/requirements-cpu.txt
   pip3 install --user -U rknn-toolkit/packages/rknn_toolkit-1.3.0-cp35-cp35m-linux_x86_64.whl

API调用流程

模型转换


模型转换使用示例如下,详细请参考RKNN Tookit中的example。

   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()

模型推理


模型推理使用示例如下,详细请参考RKNN Tookit中的example，以"rknn-
toolkit/example/mobilenet_v1"为例。

RKNN-Toolkit 通过 PC 的 USB 连接到开发板硬件,将构建或导入的 RKNN 模型
传到 RK1808 上运行,并从 RK1808 上获取推理结果、性能信息。

请执行以下步骤

确保开发板的 USB OTG 连接到 PC,并且 ADB 能够正确识别到设备,即在 PC 上
执行adb devices -l命令能看到目标设备。

调用 init_runtime 接口初始化运行环境时需要指定 target 参数和 device_id
参数。其中 target 参数表明硬件类型, 选值为 rk1808, 当 PC 连接多个设备
时,还需要指定 device_id 参数,即设备编号,可以通过adb devics命令查看,举
例如下:  $ adb devices List of devices attached  0123456789ABCDEF
device  即改为  ret = rknn.init_runtime(target='rk1808',
device_id='0123456789ABCDEF')

运行  python3 ./test.py  运行成功后就可以获得经过RK1808推理后得到的数
据。

   mport numpy as np
   import cv2
   from rknn.api import RKNN

   def show_outputs(outputs):
       output = outputs[0][0]
       output_sorted = sorted(output, reverse=True)
       top5_str = 'mobilenet_v1\n-----TOP 5-----\n'
       for i in range(5):
           value = output_sorted[i]
           index = np.where(output == value)
           for j in range(len(index)):
               if (i + j) >= 5:
                   break
               if value > 0:
                   topi = '{}: {}\n'.format(index[j], value)
               else:
                   topi = '-1: 0.0\n'
               top5_str += topi
       print(top5_str)

   def show_perfs(perfs):
       perfs = 'perfs: {}\n'.format(outputs)
       print(perfs)

   if __name__ == '__main__':

       # Create RKNN object
       rknn = RKNN()
       
       # pre-process config
       print('--> config model')
       rknn.config(channel_mean_value='103.94 116.78 123.68 58.82', reorder_channel='0 1 2')
       print('done')

       # Load tensorflow model
       print('--> Loading model')
       ret = rknn.load_tflite(model='./mobilenet_v1.tflite')
       if ret != 0:
           print('Load mobilenet_v1 failed!')
           exit(ret)
       print('done')

       # Build model
       print('--> Building model')
       ret = rknn.build(do_quantization=True, dataset='./dataset.txt')
       if ret != 0:
           print('Build mobilenet_v1 failed!')
           exit(ret)
       print('done')

       # Export rknn model
       print('--> Export RKNN model')
       ret = rknn.export_rknn('./mobilenet_v1.rknn')
       if ret != 0:
           print('Export mobilenet_v1.rknn failed!')
           exit(ret)
       print('done')

       # Set inputs
       img = cv2.imread('./dog_224x224.jpg')
       img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

       # init runtime environment
       print('--> Init runtime environment')
       ret = rknn.init_runtime(target='rk1808', device_id='0123456789ABCDEF')
       if ret != 0:
           print('Init runtime environment failed')
           exit(ret)
       print('done')

       # Inference
       print('--> Running model')
       outputs = rknn.inference(inputs=[img])
       show_outputs(outputs)
       print('done')

       # perf
       print('--> Begin evaluate model performance')
       perf_results = rknn.eval_perf(inputs=[img])
       print('done')

       rknn.release()

API

详细的API请参考RKNN-Toolkit中的使用指南文档在"<rk1808-linux-
sdk>/docs/Develop reference documents/NPU"目录中的：

《RKNN-Toolkit使用指南_V*.pdf》

。