- RK1808 计算棒使用（被动模式）
- 一、硬件平台
- 1.1 RK1808S0 计算棒外观：
- 1.2 产品技术规格
- 1.3 被动模式
- 二、环境安装
- 2.1 下载 rknn-tool-kit
- 2.2 创建 python 环境
- 2.3 安装 rknn_toolkit 1.71 版本工具
- 三、Demo 运行
- 3.1 更新 rk1808 规则
- 3.2 获取设备号及测试模型
- 3.3 添加设备号测试模型
CPU规格：
| CPU | RK1808 |
|---|---|
| 内存 | 1GB LPDDR |
| 存储 | 8GB EMMC |
| 尺寸 | 82×31×13mm |
| 接口 | USB3.0 Type-A |
| 最小系统要求 | Ubuntu 16.04或win 7的x86_64计算机； USB 2.0 Type-A端口；2 GB RAM；4 GB可用存储空间； |
| 温度 | 0℃~40℃ |
NPU峰值算力：3TOPs
1.3 被动模式被动模式下，上位机通过 RKNN-Toolkit 将模型及前处理后的数据传输给 RK1808 人工智能计算棒，RK1808 人工智能计算棒完成推理，并把结果返回上位机，上位机进行后处理以及显示等操作，此方法主要用于模型的测试验证，当测试验证完成后，可以在主动模式下将模型进行部署，其他设备传输数据到计算棒，直接获取 AI 模型推理结果！
二、环境安装 2.1 下载 rknn-tool-kitGithub下载链接：下载链接
下载指令：
git clone https://github.com/rockchip-linux/rknn-toolkit2.2 创建 python 环境
使用 conda 创建一个 rknn 运行的 python 环境
conda create -n rknn_py_env python=3.6.8
环境创建：
环境创建后，激活环境
conda activate rknn_py_env
如果 conda activate 无法使用，先使用 conda init bash 初始化本地 bash，初始化后，bash 前面会有（bash），然后激活环境，环境激活后如下：
2.3 安装 rknn_toolkit 1.71 版本工具在该环境下安装 rknn 所需要的依赖
conda install tensorflow==1.14.0 conda install mxnet==1.5.0 pip3 install torch==1.5.1 torchvision==0.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/ pip3 install gluoncv -i https://pypi.tuna.tsinghua.edu.cn/simple/
依赖安装完成后，进入到 rknn 目录下面的 package 目录下，下载 rknn 轮子包：
wget https://github.com/rockchip-linux/rknn-toolkit/releases/download/v1.7.1/rknn-toolkit-v1.7.1-packages.tar.gz
下载后解压，然后安装：
tar zxvf rknn-toolkit-v1.7.1-packages.tar.gz cd packages/ pip3 install rknn_toolkit-1.7.1-cp36-cp36m-linux_x86_64.whl -i https://pypi.tuna.tsinghua.edu.cn/simple/
测试一下 rknn 环境有没有安装成功，安装成功如下
三、Demo 运行 3.1 更新 rk1808 规则插入计算棒，Ubuntu 下会将 RK1808 识别成一个 U盘，我们拷贝 update_rk1808_ai_cs_rule.sh 文件到 rknn 环境文件夹下面：
cp /media/jeck/D751-28EA/tool/update_rk1808_ai_cs_rule.sh /home/jeck/rk1808/ -f
给脚本可执行权限，执行脚本
chmod +x ./update_rk1808_ai_cs_rule.sh ./update_rk1808_ai_cs_rule.sh
使用 lsusb 查看 rk1808 设备：
3.2 获取设备号及测试模型下载一个 mobilenetv1 的测试程序，并解压：
wget http://repo.rock-chips.com/rk1808/mobilenet_v1.tar.gz tar xvf mobilenet_v1.tar.gz
在进行测试前，我们先看一下当前 RK1808S0 的设备号：
# 先启动python python # 打印设备ID from rknn.api import RKNN rknn = RKNN() rknn.list_devices()
执行结果，获得了设备号：
3.3 添加设备号测试模型注意：使用 quit() 退出 python 环境
进入 mobilenet 文件夹，修改执行脚本，添加目标设备号：
vim test.py
添加位置：
执行测试脚本：
python test.py
模型测试结果：
帧率： 141.74，量化后精度： 0.8828125，效果不错
