4. RKNN Toolkit Lite2介绍¶
RKNN Toolkit Lite2 是Rockchip NPU平台的编程接口(Python)，用于在板端部署RKNN模型。
本章将简单介绍下使用Toolkit Lite2使用流程和板卡上部署示例。
重要
测试环境：鲁班猫RK系列板卡镜像系统是Debian10/11， 教程编写时的RKNN-Toolkit2是1.5.0版本，LubanCat-0/1/2板卡npu驱动0.8.2，lubancat-4板卡npu驱动是0.8.8。
4.1. Toolkit Lite2安装¶
Toolkit-lite2适用于板卡端部署模型，更多依赖和使用信息请查看下 Rockchip_RKNPU_User_Guide_RKNN_SDK
板卡上获取RKNN Toolkit Lite2，可以直接从 官方github 或者从配套例程中获取：
# 从教程配套例程获取安装文件（或者从官方github获取最新版本的）
git clone https://gitee.com/LubanCat/lubancat_ai_manual_code.git
cd lubancat_ai_manual_code/dev_env/rknn_toolkit_lite2/
# 最新版本的请到 https://github.com/airockchip/rknn-toolkit2/tree/master/rknn-toolkit-lite2
# 切换到rknn-toolkit-lite2目录下
如果获取的是教程配套例程，其目录结构如下：
.
├── docs
│ ├── change_log.txt
│ ├── Rockchip_User_Guide_RKNN_Toolkit_Lite2_V1.5.0_CN.pdf
│ └── Rockchip_User_Guide_RKNN_Toolkit_Lite2_V1.5.0_EN.pdf
├── examples
│ ├── inference_with_lite
│ │ ├── resnet18_for_rk3562.rknn
│ │ ├── resnet18_for_rk3566_rk3568.rknn
│ │ ├── resnet18_for_rk3588.rknn
│ │ ├── space_shuttle_224.jpg
│ │ └── test.py
│ └── yolov5_inference
│ ├── bus.jpg
│ ├── test.py
│ ├── yolov5s_for_rk3562.rknn
│ ├── yolov5s_for_rk3566_rk3568.rknn
│ └── yolov5s_for_rk3588.rknn
└── packages
├── rknn_toolkit_lite2-1.5.0-cp310-cp310-linux_aarch64.whl
├── rknn_toolkit_lite2-1.5.0-cp37-cp37m-linux_aarch64.whl
├── rknn_toolkit_lite2-1.5.0-cp38-cp38-linux_aarch64.whl
├── rknn_toolkit_lite2-1.5.0-cp39-cp39-linux_aarch64.whl
└── rknn_toolkit_lite2_1.5.0_packages.md5sum
5 directories, 18 file
环境安装（以LubanCat 2，Debian10为例）：
#安装python工具，安装相关依赖和软件包等
sudo apt update
sudo apt-get install python3-dev python3-pip gcc
sudo apt install -y python3-opencv python3-numpy python3-setuptools
Toolkit Lite2工具安装：
# 进入到rknn_toolkit_lite2目录下，
cd rknn_toolkit_lite2/
# 根据板卡系统的python版本，选择Debian10 ARM64 with python3.7.3的whl文件安装
# 例如 debian10 python3.7
pip3 install packages/rknn_toolkit_lite2-1.4.0-cp37-cp37m-linux_aarch64.whl
# 例如 debian11 python3.9
pip3 install packages/rknn_toolkit_lite2-1.5.0-cp39-cp39-linux_aarch64.whl
安装成功：
# 以debain11系统，python3.9为例：
cat@lubancat:~/rknn-toolkit2/rknn_toolkit_lite2$ python3
Python 3.9.2 (default, Feb 28 2021, 17:03:44)
[GCC 10.2.1 20210110] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> from rknnlite.api import RKNNLite
>>>
4.2. Toolkit Lite2接口使用¶
Toolkit Lite2主要用于部署RKNN模型到板卡，可以通过RKNN Toolkit2工具将其他模型转换为RKNN模型。 Toolkit Lite2部署RKNN模型流程：
创建RKNNLite对象；
调用load_rknn接口导入RKNN模型，需要对应平台（rk356x/rk3588）的模型；
调用init_runtime接口初始化运行时环境；
调用inference接口对输入数据进行推理，返回推理结果，对结果进行处理；
推理完成后，调用release接口释放RKNNLite对象。
RKNN Toolkit Lite2详细的接口说明参考下RKNN-Toolkit2工程中rknn_toolkit_lite2/docs目录下的用户手册。
4.3. 板端推理测试¶
板端推理测试，会调用librknnrt.so库，该库是一个板端的runtime库。默认板卡镜像/usr/lib目录下有librknnrt.so库，默认的库版本可能是1.5.0，如果需要更新请 从教程配套例程获取或者rknpu2工程文件中获取。
rknpu2工程可以从https://github.com/airockchip/rknn-toolkit2/tree/master/rknpu2获取，或者从 云盘资料下载 （提取码hslu）：
librknnrt.so具体在 rknpu2 工程中runtime/目录下， 选择runtime/Linux/librknn_api/aarch64/目录下的librknnrt.so， 然后复制该库到板卡系统/usr/lib/目录下。
重要
注意RKNN-Toolkit2和RKNPU2 runtime库不同版本号可能会不兼容，可能会出现 Invalid RKNN model verslon 6 错误,
请使用相同的版本。
4.3.1. resnet18推理测试¶
运行RKNN Toolkit Lite2的Demo，进入获取到的Toolkit Lite2目录，在../examples/inference_with_lite目录下执行命令：
# 从配套例程获取，或者从官方github获取
git clone https://gitee.com/LubanCat/lubancat_ai_manual_code.git
# git clone https://github.com/rockchip-linux/rknn-toolkit2.git
# 切换到rknn_toolkit_lite2/examples/inference_with_lit目录下
cd lubancat_ai_manual_code/dev_env/rknn_toolkit_lite2/examples/inference_with_lite
# 运行推理命令（下面是在lubancat-4板卡上测试）
cat@lubancat:~/rknn_toolkit_lite2/examples/inference_with_lite$ python3 test.py
--> Load RKNN model
done
--> Init runtime environment
I RKNN: [16:54:26.705] RKNN Runtime Information: librknnrt version: 1.5.0 (e6fe0c678@2023-05-25T08:09:20)
I RKNN: [16:54:26.707] RKNN Driver Information: version: 0.8.8
I RKNN: [16:54:26.711] RKNN Model Information: version: 4, toolkit version: 1.5.0+1fa95b5c(compiler version: 1.5.0 (e6fe0c678@2023-05-25T16:15:03)), \
target: RKNPU v2, target platform: rk3588, framework name: PyTorch, framework layout: NCHW, model inference type: static_shape
done
--> Running model
resnet18
-----TOP 5-----
[812]: 0.9996760487556458
[404]: 0.00024927023332566023
[657]: 1.449744013370946e-05
[466 833]: 9.023910024552606e-06
[466 833]: 9.023910024552606e-06
done
测试例程，会根据板卡（上面测试是在LubanCat-4板卡），使用对应平台的RKNN模型，最终得到推理结果并打印。
4.3.2. yolov5推理测试¶
下面我们简单测试部署下前面Toolkit Lite2章节，转换出的yolov5s.rknn模型，写一个test.py， 根据板卡加载模型，然后推理，对结果进行后处理等等（test.py源文件参考配套例程）。
# 切换到rknn_toolkit_lite2/examples/yolov5_inference目录下
cd lubancat_ai_manual_code/dev_env/rknn_toolkit_lite2/examples/yolov5_inference
cat@lubancat:~/rknn_toolkit_lite2/examples/yolov5_inference$ python test.py
--> Load RKNN model
done
--> Init runtime environment
I RKNN: [17:37:51.791] RKNN Runtime Information: librknnrt version: 1.5.0 (e6fe0c678@2023-05-25T08:09:20)
I RKNN: [17:37:51.791] RKNN Driver Information: version: 0.8.8
I RKNN: [17:37:51.792] RKNN Model Information: version: 4, toolkit version: 1.5.0+1fa95b5c(compiler version: 1.5.0 (e6fe0c678@2023-05-25T16:15:03)), \
target: RKNPU v2, target platform: rk3588, framework name: ONNX, framework layout: NCHW, model inference type: static_shape
done
--> Running model
W RKNN: [17:37:51.896] Output(269): size_with_stride larger than model origin size, if need run OutputOperator in NPU, please call rknn_create_memory using size_with_stride.
W RKNN: [17:37:51.896] Output(271): size_with_stride larger than model origin size, if need run OutputOperator in NPU, please call rknn_create_memory using size_with_stride.
W RKNN: [17:37:51.897] Output(273): size_with_stride larger than model origin size, if need run OutputOperator in NPU, please call rknn_create_memory using size_with_stride.
done
class: person, score: 0.8831309676170349
box coordinate left,top,right,down: [209.6862335205078, 243.11955797672272, 285.13685607910156, 507.7035621404648]
class: person, score: 0.8669421076774597
box coordinate left,top,right,down: [477.6677174568176, 241.00597953796387, 561.1506419181824, 523.3208637237549]
class: person, score: 0.8258862495422363
box coordinate left,top,right,down: [110.24830067157745, 235.76190769672394, 231.76915538311005, 536.1012514829636]
class: person, score: 0.32633307576179504
box coordinate left,top,right,down: [80.75779604911804, 354.98213291168213, 121.49669003486633, 516.5315389633179]
class: bus , score: 0.7036669850349426
box coordinate left,top,right,down: [92.64832305908203, 129.30748665332794, 553.2792892456055, 466.27124869823456]
运行正常可以显示（或者查看输出图片out.jpg）：
默认配套例程yolov5_inference/test.py是没有使用cv2.imshow()显示图片,可以自行查看out.jpg。