前言

今天主要记录关于yolov5在rk3588上运行的流程，在这之前，你需要将yolov5经过模型训练后的*.pt文件，导出为.onnx， 然后使用RKNN Toolkit 将.onnx 转换成 * . rknn文件。那么什么是RKNN Toolkit?

RKNN Toolkit

瑞芯微（Rockchip）为其NPU提供了一套专用的模型转换和部署工具，叫做 RKNN Toolkit

• 作用： 将各大主流AI框架（如 PyTorch, TensorFlow, ONNX, Caffe, Darknet, Keras 等）训练好的模型，转换为瑞芯微NPU认识的 *.rknn 格式文件

现在我们得到了 * . rknn文件之后如何做呢？
我们参考： 瑞芯微出的Rockchip_RKNPU_User_Guide_RKNN_API_V1.2.0_CN.pdf 这个文档， 这是 RKNPU（神经网络处理单元）的 C 语言 API 指南。当你把模型转换好之后，需要在板端（RK3588）上编写 C/C++ 代码加载模型并运行推理，就要参考这份文档。

1. 部署的流程

根据这个文档，我们只需要调用这些api就能完成对图片的推理

1.1.rknn_init（初始化模型）

流程图含义：加载模型文件，并初始化rknn_context上下文。

• model_data： 导入之前的 *.rknn 的模型文件

ret=rknn_init(&ctx,model_data,model_data_size,RKNN_FLAG_PRIOR_HIGH,NULL);

注：还需要额外调用了rknn_set_core_mask来指定使用哪一颗 NPU 核心，这是对流程的补充。

1.2.rknn_query（查询信息）

流程图含义：查询模型的相关属性，如 SDK 版本、输入输出节点数量、张量属性（维度、格式、量化参数等）。

• 输入输出节点数量， 例如输入张量为1个，输出为3个
  • 在此处使用的经典 YOLOv5 确实对应三个特征层输出，但很多 RKNN 转换工程为了加速，在模型导出时会将这三个输出合并拼接成一个大的 Tensor（例如形状为[1, 25200, 85]）。因此，输出未必是 3 个，严谨的做法是依赖rknn_query查询到的io_num.n_output动态获得。
• 输入张量的维度信息， 例如CHW、HWC等
• 张量格式，也就是数据排布的格式，例如NCHW、NHWC等
• 量化参数：包括量化零点、量化缩放因子，这个用于后续cpu进行后处理反量化

rknn_query(ctx,RKNN_QUERY_SDK_VERSION,...);rknn_query(ctx,RKNN_QUERY_IN_OUT_NUM,...);rknn_query(ctx,RKNN_QUERY_INPUT_ATTR,...);rknn_query(ctx,RKNN_QUERY_OUTPUT_ATTR,...);

对于张量：

1. 理解：多维数组或数据的容器

• 标量（0维张量）：单个数字，如3.0
• 向量（1维张量）：一维数组，如[1, 2, 3]
• 矩阵（2维张量）：二维表格，如[[1, 2], [3, 4]]
• 更高维张量：如3维（时间序列）、4维（图像数据）、5维（视频数据）等

2. 深度学习中的常见形式
   • 输入数据：图像通常表示为4维张量(样本数, 高度, 宽度, 通道数)
   • 权重参数：神经网络层的权重是2维张量(输入维度, 输出维度)
   • 批量处理：一次处理多个样本时，数据总是以批量维度作为第一维

1.3.rknn_inputs_set（设置输入）

流程图含义：将预处理后的图像数据（虚拟地址）传递给 NPU。

• 传递参数之前需要对图像进行颜色转换（BGR—> RGB），BRG是OpenCV的图像读取格式
• 图像放缩到640*640 这个是传参的要求，这个一般是这个数值，但是实际该缩放成多大，完全取决于你导出 ONNX 时设定的输入尺寸，正确的做法是去读取rknn_query查询到的model_width和model_height。
• 上面这些参数从上面的查询中得到验证

inputs[0].buf=dst_buf;inputs[0].fmt=RKNN_TENSOR_NHWC;inputs[0].type=RKNN_TENSOR_UINT8;rknn_inputs_set(ctx,inputs_num,inputs);

1.4.rknn_run（执行推理）

流程图含义：NPU 进行模型前向计算。

ret=rknn_run(ctx,NULL);

1.5.rknn_outputs_get（获取输出）

流程图含义：从 NPU 获取推理完成后的输出张量数据。

• 获取输出的张量有三个

rknn_output outputs[outputs_num];rknn_outputs_get(ctx,outputs_num,outputs,NULL);

1.6.postprocess_cpu（后处理）

流程图含义：在 CPU 上对模型的裸输出数据进行解码（例如：非极大值抑制 NMS、坐标转换、置信度过滤）。

post_process((int8_t*)outputs[0].buf,...);

1.7.rknn_outputs_release（释放输出）

流程图含义：释放rknn_outputs_get分配的缓存资源，防止内存泄漏。

rknn_outputs_release(ctx,outputs_num,outputs);

1.8.rknn_destroy（销毁模型）

流程图含义：彻底销毁rknn_context，释放所有资源。

rknn_destroy(ctx);

总结

本文主要帮助打造一个rk3588它是如何完成推理的，先有一个大概帮助理解。