虚拟机配置AIO3399proC的RKNN-Toolkit

---

我的环境配置都是基于Ubuntu18.04和python3.6的，如果版本不一样可以根据自己的进行修改

RKNN-Toolkit安装

1. 创建虚拟环境

sudo apt install virtualenv		#安装virtualenv
sudo apt-get install libpython3-dev

这里出现错误 ：

参考：　E: 无法修正错误，因为您要求某些软件包保持现状，就是它们破坏了软件包间的依赖关系。
然后继续

sudo apt install python3-tk
virtualenv -p /usr/bin/python3 venv

在创建环境的时候出现：OSError: Command /hone/tata/venv/bin/python3 - setuptools pkg_resources pip wheel failed with error code 2

解决：
先到主目录中把之前创建的不完全的虚拟环境文件删除，然后：

pip3 -V
pip3 install --upgrade pip

source venv/bin/activate

2. 安装依赖库

2.1 安装 TensorFlow 等依赖库

# 如果要使用 TensorFlow GPU 版本，请执行以下命令
pip3 install tensorflow-gpu==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple #添加清华镜像源，否则可能因为下载过慢而失败
# 如果要使用 TensorFlow CPU 版本，请执行以下命令
pip3 install tensorflow==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 执行以下命令安装 PyTorch
pip install torch==1.6.0+cpu torchvision==0.7.0+cpu -f \
https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple
# 执行以下命令安装 mxnet
pip3 install mxnet==1.5.0

2.2 安装系统python库依赖

#可以直接新建一个requirements.txt
#pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
numpy==1.16.3
scipy==1.3.0
Pillow==5.3.0
h5py==2.10.0
lmdb==0.93
networkx==1.11
flatbuffers==1.10
protobuf==3.11.2
onnx==1.6.0
flask==1.0.2
tensorflow==1.14.0
dill==0.2.8.2
ruamel.yaml==0.15.81
psutil==5.6.2
ply==3.11
requests==2.22.0
torch==1.9.0
mxnet==1.5.0
sklearn==0.0
opencv-python
Jinja2==2.11.2

3. 安装 RKNN-Toolkit

3.1 安装

pip3 install rknn_toolkit-1.7.3-cp36-cp36m-linux_x86_64.whl

安装中出现：

尝试根据报错解决未果，会一直提示：【我直接裂开】
解决：可能是因为RKNN Toolkit 依赖的环境限制太严格，导致无法成功安装
在所有依赖库都已安装、但部分库的版本和要求不匹配时，可以尝试在安装指令后面加上 --no-deps 参数，取消安装 python 库时的环境检查。

pip3 install rknn_toolkit-1.7.3-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple --no-deps

OVER！

3.2 基本使用

RKNN-Toolkit 的基本使用流程可以分为三个阶段：
（1）模型转换：
将开源深度学习框架（Caffe、Darknet 等）训练导出的模型转成 RKNPU 能识别的 RKNN 模型。
（2）模型评估：
通过 inference, eval_perf, eval_memory 等接口对 RKNN 模型推理结果的准确性、性能、内存使用情况进行评估。
（3）模型部署：
通过模型评估确认 RKNN 模型符合部署要求后，可以通过 RKNN Toolkit Python API 进行模型部署，也可以通过 RKNN C API 进行模型部署。有关使用 RKNN ToolkitPython API 进行模型部署的更详细介绍，请参考 3.4 章节；有关使用 RKNN CAPI 进行模型部署的更详细介绍，请参考 RKNN C API 相关文档：https://github.com/rockchip-linux/rknpu/tree/master/rknn/doc