原文转载自《rk3588对npu的再探索，yolov5使用rknn模型推理教程》
🍉零、引言
本文完成于2022-07-02 22:22:27。 博主刚开始在瑞芯微ITX-3588J-8K的开发板上跑了官方的yolov5目标检测算法，检测了ip相机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。
🏅然后今天（2022.7.2）成功实践了转换rknn模型，并使用npu推理。为了让后面的同学少走弯路，特此花1个h记录下RKNPU2的使用教程，因为官方教程只有Android版本，所以Ubuntu系统的都是我自己摸索出来的。上一期是使用RKNN-Toolkit的教程：rk3588使用npu进行模型转换和推理，加速AI应用落地
🍍一、环境信息
| PC操作系统 | Ubuntu18.04(x86_64) |
|---|---|
| 开发板 | RK3588 |
| 开发板操作系统 | Ubuntu20.04(aarch64) |
本教程以 rknn_yolov5_demo 在 RK3588 Ubuntu20.04 64位 平台上运行为例，介绍如何使用RKNPU2。这里RKNPU2就是Firefly对第二代板子使用的NPU版本，我在github上看了RKNPU的文件，是给3399系列和之前的板子使用的。
🍎二、下载工具
RK3588 内置 NPU 模块, 处理性能最高可达6TOPS。使用该NPU需要下载RKNN SDK，RKNN SDK 为带有 NPU 的 RK3588S/RK3588 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。
我们直接cd到build目录下进行sh编译，出现下面报错：
查看手册，上面说板子为linux系统则需下载 gcc 交叉编译器，那么我们就来下载g++，输入下面命令：
sudo apt-get install aarch-linux-gnu-g++
安装好之后，输入命令查看g++版本
aarch-linux-gnu-g++ -v
gcc是GCC中的GUN C Compiler（C 编译器），g++是GCC中的GUN C++ Compiler（C++编译器），其实两者都可以编译c和c++代码，就好比c++和c的关系，我们选其一使用就好。
🍌三、更新 RKNN 模型
- 🍕可以将PC上转换后的 RK3588 平台模型 yolov5s.rknn 复制到rknpu2/examples/rknn_yolov5_demo/model/RK3588/下。
- 🍯可以使用adb从PC传输到RK3588上，需要使用数据线连接3588和PC。
- 🍨当然不复制也可以，因为example中就自带.rknn模型。
如何将pytorch、caffe、tensorflow、onnx等深度学习模型转换为rknn模型呢？这里需要用py文件先将它们统一转换成onnx模型，然后再使用rknpu2中的py文件进行转换即可。
🍇四、编译 rknn_yolov5_demo
1、在终端命令窗口进入 rknn_yolov5_demo 文件夹
cd examples/rknn_yolov5_demo/
运行 build-linux_RK3588.sh 脚本编译程序
./build-linux_RK3588.sh
🍎五、在板端运行 rknn_yolov5_demo
运行目标检测程序，识别并定位图片中物体，cd到install/rknn_yolov5_demo_Linux/目录下，然后输入命令：
./rknn_yolov5_demo ./model/RK3588/yolov5s-640-640.rknn ./model/bus.jpg
参数1是可执行文件，参数2是模型文件，参数3是输入图像
