RKNN-Toolkit开发套件进行模型转换、推理运行和性能评估

模型转换

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（或 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（或 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。

本章节主要讲解如何在Toybrick RK3399Pro开发板上进行模型转换，若需要了解其他功能说明请参考RKNN-Toolkit使用指南文档：《RKNN-Toolkit使用指南_V*.pdf》。

安装准备

 

1. sudo dnf install -y cmake gcc gcc-c++ protobuf-devel protobuf-compiler lapack-devel opencv-devel

 

1. sudo dnf install -y python3-devel python3-opencv python3-numpy-f2py python3-h5py python3-lmdb  python3-grpcio

下载RKNN轮子包和其他Python轮子包，请到百度网盘下载：https://eyun.baidu.com/s/3nw94bjV（包含rknn-toolkit、scipy、onnx，tensorflow轮子包）

进入到轮子包所在目录，执行以下命令安装，轮子包x.x.x代表版本号，以用户下载的为准

 

1. pip3 install --user scipy-1.2.0-cp36-cp36m-linux_aarch64.whl

 

1. pip3 install --user onnx-1.4.1-cp36-cp36m-linux_aarch64.whl

 

1. pip3 install --user tensorflow-1.10.1-cp36-cp36m-linux_aarch64.whl

1. pip3 install --user rknn_toolkit-x.x.x-cp36-cp36m-linux_aarch64.whl

若想要最新版本的轮子包或者发现预编译的轮子包有问题，可以自行用pip安装，这样会源码编译安装轮子包，耗时会较久，需耐心等待。

 

1. pip3 install scipy
2. pip3 install onnx

若安装遇到报错，请视报错信息安装对应的软件包。

API调用流程

示例

1. from rknn.api import RKNN  
2.  
3. INPUT_SIZE = 64
4.  
5. if __name__ == '__main__':
6.     # 创建RKNN执行对象
7.     rknn = RKNN()
8. # 配置模型输入，用于NPU对数据输入的预处理
9. # 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
10. # (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
11. # 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
12. # 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
13. #图像通道顺序不做调整
14.     rknn.config(channel_mean_value='0 0 0 255', reorder_channel='0 1 2')
15.  
16. # 加载TensorFlow模型
17. # tf_pb='digital_gesture.pb'指定待转换的TensorFlow模型
18. # inputs指定模型中的输入节点
19. # outputs指定模型中输出节点
20. # input_size_list指定模型输入的大小
21.     print('--> Loading model')
22.     rknn.load_tensorflow(tf_pb='digital_gesture.pb',
23.                          inputs=['input_x'],
24.                          outputs=['probability'],
25.                          input_size_list=[[INPUT_SIZE, INPUT_SIZE, 3]])
26.     print('done')
27.  
28. # 创建解析pb模型
29. # do_quantization=False指定不进行量化
30. # 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
31.     print('--> Building model')
32.     rknn.build(do_quantization=False)
33.     print('done')
34.  
35.     # 导出保存rknn模型文件
36.     rknn.export_rknn('./digital_gesture.rknn')
37.  
38.     # Release RKNN Context
39.     rknn.release()