RK开发板python降级
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
rk3588开发板部署yolov5项目采用多线程异步技术提升推理速度(python/C++实现)
rk3588开发板部署yolov5项目采用多线程异步技术提升推理速度(python/C++实现)
使用python多线程异步提高模型部署到rk3588NPU使用率-python源码+项目使用说明.zip
使用python多线程异步提高模型部署到rk3588NPU使用率_python源码+项目使用说明.zip 【项目资源说明】 使用多线程异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数(rk3568之类修改后应该也能使用, 但是作者本人并没有rk3568开发板......) 此分支使用模型yolov5s_relu_tk2_RK3588_i8.rknn, 将yolov5s模型的激活函数silu修改为为relu,在损失一点精度的情况下获得较大性能提升,详情见于rknn_model_zoo 部署应用 修改main.py下的modelPath为你自己的模型所在路径 修改main.py下的cap为你想要运行的视频/摄像头 修改main.py下的TPEs为你想要的线程数, 具体可参考下表 修改func.py为你自己需要的推理函数, 具体可查看myFunc函数 多线程模型帧率测试 使用performance.sh进行CPU/NPU定频尽量减少误差 测试模型为yolov5s_relu_tk2_RK3588_i8.rknn 【备注】更多详细介绍请看说明和代码!
RK4PY:python初值问题的RK4算法
RK4PY python初值问题的RK4算法
deeplabv3模型在rk3588部署python+cpp代码
使用上一篇deeplabv3训练的模型,导出onnx进行ARM端的部署 提供完整的部署工具链和第三方库 代码中均有详细注释 提供部署教程文档 亲测能够跑通 代码易于扩展在其他RK平台
基于RK3399pro 的demo,python3调用C++的后处理程序
基于RK3399pro 的demo,python3调用C++的后处理程序,相较于python3的后处理程序,需要600+ms,使用pybind调用C++ 仅需要30ms就可以完成
基于rknn设备运行 yolov7对象检测(RK3566、RK3568、RK3588等等)Python源码+文档说明
<项目介绍> 基于rknn设备运行 yolov7对象检测(RK3566、RK3568、RK3588等等)Python源码+文档说明 - 不懂运行,下载完可以私聊问,可远程教学 该资源内项目源码是个人的毕设,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。 --------
Python库 | tcx2rk-0.1.1.tar.gz
python库。 资源全名:tcx2rk-0.1.1.tar.gz
基于YOLOv8姿态估计模型的跨平台部署与优化项目_支持RK3566_RK3568_RK3588_RK3562_RK3576芯片组的ONNX模型转换与RKNN量化_提供Python.zip
基于YOLOv8姿态估计模型的跨平台部署与优化项目_支持RK3566_RK3568_RK3588_RK3562_RK3576芯片组的ONNX模型转换与RKNN量化_提供Python.zip
python版本基于rk3588的NanoTrack,每秒可达120FPS_NanoTrack_RK3588
python版本基于rk3588的NanoTrack,每秒可达120FPS_NanoTrack_RK3588_python
基于rk3588的Python版NanoTrack120FPS高效追踪.zip
基于rk3588的Python版NanoTrack120FPS高效追踪.zip
RK3588开发板YOLOv5部署全流程[代码]
本文详细介绍了在瑞芯微RK3588开发板上部署YOLOv5模型的全流程,包括模型转化和开发板部署两个主要部分。模型转化部分涵盖了从YOLOv5s.pt到YOLOv5s.onnx,再到YOLOv5s.rknn的转换步骤,涉及基础环境配置、Python环境创建、模型转换的具体操作。开发板部署部分则分为C版本和Python版本,详细说明了如何在开发板上运行转换后的模型,包括环境配置、代码修改、编译运行等步骤。最后,文章还提供了性能测试结果,展示了模型在开发板上的推理速度。整个过程旨在帮助开发者实现国产化替代,将YOLOv5模型高效部署到RK3588开发板上。
在rk3588开发板上多线程部署yolov8cpp程序
在rk3588开发板上部署yolov8,使用线程池多线程推理,ffmpeg+rtsp拉流网络摄像头,rkmpp硬件解码视频。cpp程序。python程序见https://download.csdn.net/download/m0_66021094/91240161
【触觉智能Purple Pi OH开发板体验】开箱体验:开源主板Purple Pi RK3566 上手指北
【触觉智能Purple Pi OH开发板体验】开箱体验:开源主板Purple Pi RK3566 上手指北
使用多线程异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数(rk3568之类修改后应该也能使用, 但是作者本人并没有rk3568开发板......)
使用多线程异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数(rk3568之类修改后应该也能使用, 但是作者本人并没有rk3568开发板......)
RK3568 AI模型部署笔记[代码]
本文详细记录了在RK3568开发板上进行AI模型部署的全过程,包括环境搭建、模型转换、推理与评估等关键步骤。首先介绍了RKNN-Toolkit2的安装与配置,包括开发板端的RKNPU环境设置和交叉编译器的NPU驱动更新。随后详细讲解了深度学习训练环境的搭建,包括Anaconda和PyTorch环境的安装。模型部署部分涵盖了模型转换、推理、评估以及板端部署的C/C++和Python实现。此外,还深入探讨了模型转换中的标准化与归一化选择、量化配置及混合量化技术,以及模型推理和评估的具体接口使用。最后,通过物体识别和语义分割的C API部署实例,展示了实际应用中的代码实现与优化策略。
RK3506 SDK文件系统更新[项目代码]
本文详细介绍了针对万象奥科RK3506开发板的SDK添加包及文件系统更新流程。主要内容包括:安装必要的软件包以搭建编译环境,检查并升级Python、Make和LZ4版本,首次编译SDK时选择配置文件,修改文件系统配置并通过图形化界面调整buildroot选项。此外,还涵盖了USB驱动安装、烧写工具解压、开发板连接及Loader模式进入方法,以及固件烧写步骤(包括整包update.img和单独镜像烧写)。特别提供了分区表扩展(如rootfs分区调整至7GB)的解决方案,并列举了常见问题(如网口灯不亮)的排查方法。最后说明如何通过./build.sh updateimg命令重新打包固件。
YOLOv8模型RK3588部署[项目源码]
本文详细介绍了如何将YOLOv8模型部署到RK3588开发板上的完整流程。首先通过修改后的ultralytics代码将PT模型转换为RKNN格式,随后配置RKNN-Toolkit2转换环境,完成ONNX到RKNN模型的转换。文章还提供了模型量化注意事项,并详细说明了在RK3588开发板上的部署步骤,包括Miniconda环境配置、RKNN-Toolkit-Lite2安装和测试脚本编写。此外,针对多模型并行推理需求,作者分享了多RKNN模型加载和推理的实现方法,以及通过多线程优化推理性能的技巧。最后,文章给出了添加新模型的完整修改指南,包括路径定义、类别扩展、颜色调色板更新等关键步骤。
RK3588部署YOLOv8[可运行源码]
本文详细介绍了在RK3588开发板上部署改进版YOLOv8算法的完整流程。作者基于YOLOv8改进算法并撰写论文后,为增加工作量选择在RK3588平台实现部署。文章首先说明了软硬件环境配置(Ubuntu 20.04/22.04、rknn-toolkit2 1.5.2等),然后分步骤讲解了模型转换过程:1)通过官方代码将PyTorch模型转为TorchScript格式;2)使用rknn_model_zoo工具将TorchScript转为RKNN格式;3)在开发板上运行测试代码。文中提供了完整的代码示例、配置文件修改说明以及百度云/GitHub资源链接,特别强调了直接使用PyTorch转TorchScript方案的成功经验,避免了ONNX转换时出现的输出头不匹配问题。最后展示了在Orange Pi 5开发板上的实际检测效果,为读者提供了可复现的部署方案。
RK3588部署Deepseek-R1模型[项目代码]
本文详细介绍了在RK3588开发板上部署并使用NPU/CPU方式运行Deepseek-R1-1.5b/7b模型的全流程实操步骤。首先,需要在虚拟机中的Ubuntu22.04环境下安装Anaconda并创建RKLLM-Toolkit环境,获取rkllm转换工具并下载DeepSeek-R1模型。接着,通过rknn-toolkit工具将原始模型转换为瑞芯微支持的rkllm格式,并部署到开发板环境中。最后,使用rk3588的NPU进行推理和运行转换后的模型,同时提供了使用CPU推理的替代方案。整个过程涉及环境配置、模型转换、部署和运行等多个环节,并提供了详细的命令和注意事项。
rk3588-PyQt5-install.tar.gz
rk3588-PyQt5-install.tar.gz
最新推荐


