API | load_caffe |
描述 | 加载caffe模型 |
参数 | model:caffe模型文件(.prototxt后缀文件)所在路径。 |
proto:caffe模型的格式(可选值为’caffe’或’lstm_caffe’)。为了支持RNN模型,增加了相关网络层的支持,此时需要设置caffe格式为’lstm_caffe’。 | |
blobs:caffe模型的二进制数据文件(.caffemodel后缀文件)所在路径。 | |
返回值 | 0:加载成功 |
-1:加载失败 |
如,从当前路径加载 mobilenet_v2 模型
ret=rknn.load_caffe(model=’./mobilenet_v2.prototxt’,
proto=’caffe’
blobs=’./mobilenet_v2.caffemodel’)
API | load_tensorflow |
描述 | 加载tensorflow模型 |
参数 | tf_pb:TensorFlow模型文件(.pb后缀)所在路径。 |
inputs:模型输入节点,支持多个输入节点。所有输入节点名放在一个列表中。 | |
input_size_list:每个输入节点对应的图片的尺寸和通道数。如示例中的mobilenet-v1模型,其输入节点对应的输入尺寸是[224, 224, 3]。 | |
outputs:模型的输出节点,支持多个输出节点。所有输出节点名放在一个列表中。 | |
predef_file:为了支持一些控制逻辑,需要提供一个npz格式的预定义文件。可以通过以下方法生成预定义文件:np.savez(‘prd.npz’, [placeholder name]=prd_value)。如果“placeholder name”中包含’/‘,请用’#’替换。 | |
mean_values:输入的均值。只有当导入的模型是已量化过的模型时才需要设置该参数,且模型输入的三个通道均值都相同。 | |
std_values:输入的scale值。只有当导入的模型是已量化过的模型时才需要设置该参数。 | |
返回值 | 0:加载成功 |
-1:加载失败 |
如,从当前路径加载 ssd_mobilenet_v1 模型
ret = rknn.load_tensorflow(tf_pb=’./ssd_mobilenet_v1_coco_2017_11_17.pb’,
inputs=[‘FeatureExtractor/MobilenetV1/MobilenetV1/Conv2d_0/BatchNorm/batchnorm/mul_1’],
outputs=[‘concat’, ‘concat_1’],
input_size_list=[[300, 300, 3]])
API | load_tflite |
描述 | 加载tensorflow lite模型 |
参数 | model: Tensorflow lite 模型文件(.tflite后缀)所在路径 |
返回值 | 0: 加载成功 |
-1:加载失败 |
如,从当前路径加载 mobilenet_v1 模型
ret = rknn.load_tflite(model = ‘./mobilenet_v1.tflite’)
API | load_onnx |
描述 | 加载onnx模型 |
参数 | model: onnx模型文件(.onnx后缀)所在路径 |
返回值 | 0: 载入成功 |
-1:载入失败 |
如,从当前路径加载 arcface 模型
ret = rknn.load_onnx(model = ‘./arcface.onnx’)
API | load_darknet |
描述 | 加载Darknet模型 |
参数 | model: Darknet模型文件(.cfg后缀)所在路径 |
weight: 权重文件 (.weights后缀)所在路径 | |
返回值 | 0 :加载成功 |
-1:加载失败 |
如,从当前路径加载 yolov3-tiny模型
ret = rknn.load_darknet(model = ‘./yolov3-tiny.cfg’, weight=’./yolov3.weights’)
API | load_pytorch |
描述 | 加载Pytorch模型 |
参数 | model: Pytorch模型文件(.pt后缀)所在路径,而且需要是torchscript格式的模型,必填参数。 |
input_size_list: 每个输入节点对应的图片的图片的尺寸和通道数。例如[[1,224,224],[3,224,224]]表示有两个输入,其中一个输入的shape是[1,224,224],另外一个输入的shape是[3,224,224],必填参数。 | |
返回值 | 0 :导入成功 |
-1:导入失败 |
如,从当前路径加载 resnet18 模型
ret = rknn.load_pytorch(model = ‘./resnet18.pt’, input_size_list=[[3,224,224]])
API | config |
描述 | 设置模型参数 |
参数 | batch_size:每一批数据的大小,默认值为100。 |
channel_mean_value:包括四个值(M0 M1 M2 S0),前三个值为均值参数,后面一个值为Scale 参数。对于输入数据是三通道的(Cin0, Cin1, Cin2)数据来讲,经过预处理后,输出的数据为(Cout0,Cout1, Cout2),计算过程如下: Cout0 = (Cin0 - M0)/S0 Cout1 = (Cin1 - M1)/S0 Cout2 = (Cin2 - M2)/S0 例如,如果需要将输入数据归一化到[-1, 1]之间,则可以设置这个参数为(128 128 128 128);如果需要将输入数据归一化到[0, 1]之间,则可以设置这个参数为(0 0 0 255)。 如果有多个输入,对应的每个输入的参数以“#”进行分割,如’128 128 128 128#128 128 128 128’。 | |
epochs:量化时的迭代次数,每迭代一次,就选择batch_size指定数量的图片进行量化校正。默认值为1 | |
reorder_channel:表示是否需要对图像通道顺序进行调整。 ‘0 1 2’表示按照输入的通道顺序来推理,比如图片输入时是RGB,那推理的时候就根据RGB顺序传给输入层; ‘2 1 0’表示会对输入做通道转换,比如输入时通道顺序是RGB,推理时会将其转成BGR,再传给输入层,同样的,输入时通道的顺序为BGR的话,会被转成RGB后再传给输入层。如果有多个输入,对应的每个输入的参数以“#”进行分割,如’0 1 2#0 1 2’。 | |
need_horizontal_merge:是否需要合并Horizontal,默认值为False。如果模型是inception v1/v3/v4,建议开启该选项。 | |
quantized_dtype:量化类型,目前支持的量化类型有asymmetric_quantized-u8、dynamic_fixed_point-8、dynamic_fixed_point-16,默认值为asymmetric_quantized-u8 | |
返回值 | 无 |
如,下面的例子
rknn.config(channel_mean_value=’103.94 116.78 123.68 58.82’,
reorder_channel=’0 1 2’,
need_horizontal_merge=True)
API | Build |
描述 | 根据导入的模型,构建对应的RKNN模型 |
参数 | do_quantization:是否对模型进行量化,值为True或False。 |
dataset:量化校正数据的数据集。目前支持文本文件格式,用户可以把用于校正的图片(jpg或png格式)或npy文件路径放到一个.txt文件中。文本文件里每一行一条路径信息。如: a.jpg b.jpg 或 a.npy b.npy 如有多个输入,则每个输入对应的文件用空格隔开,如: a.jpg a2.jpg b.jpg b2.jpg 或 a.npy a2.npy b.npy b2.npy | |
Pre_compile: 预编译开关,如果设置成True,可以减小模型大小,以及模型在硬件设备上的首次启动速度。但在打开这个开关后,构建出来的模型就只能在硬件平台上运行,无法通过模拟器进行推理或性能评估。如果硬件有更新,则对应的模型要重新构建。 注: 1. RKNN-Toolkit-V1.0.0及以上版本生成的预编译模型不能在NPU驱动版本小于0.9.6的设备上运行;RKNN-Toolkit-V1.0.0以前版本生成的预编译模型不能在NPU驱动版本大于等于0.9.6的设备上运行。驱动版本号可以通过get_sdk_version接口查询。 2. 如果多个输入,该选项需要设置成False。 | |
rknn_batch_size:模型的输入Batch参数调整,默认值为1。如果大于1,则可以在一次推理中同时推理多帧输入图像或输入数据,如MobileNet模型的原始input维度为[1, 224, 224, 3],output维度为[1, 1001],当rknn_batch_size设为4时,input的维度变为[4, 224, 224, 3],output维度变为[4, 1001]。 注: 1. rknn_batch_size的调整并不会提高一般模型在NPU上的执行性能,但却会显著增加内存消耗以及增加单帧的延迟。 2. rknn_batch_size的调整可以降低超小模型在CPU上的消耗,提高超小模型的平均帧率。(适用于模型太小,CPU的开销大于NPU的开销)。 3. rknn_batch_size的值建议小于32,避免内存占用太大而导致推理失败。 4. rknn_batch_size修改后,模型的input/output维度会被修改,使用inference推理模型时需要设置相应的input的大小,后处理时,也需要对返回的outputs进行处理。 | |
返回值 | 0 :构建成功 |
-1:构建失败 |
如,构建RKNN模型,并且做量化
ret = rknn.build(do_quantization=True, dataset=’./dataset.txt’)
API | export_rknn |
描述 | 将RKNN模型保存到指定文件中(.rknn 后缀) |
参数 | export_path: 导出模型文件的路径 |
返回值 | 0: 导出成功 |
-1:导出失败 |
如,将构建好的RKNN模型保存到当前路径的mobilne_v1.rknn文件中
ret = rknn.export_rknn(export_path = ‘./mobilenet_v1.rknn’)
API | load_rknn |
描述 | 加载rknn模型 |
参数 | path: RKNN模型文件路径 |
返回值 | 0: 加载成功 |
-1: 加载失败 |
如,从当前路径加载mobilenet_v1.rknn模型
ret = rknn.load_rknn(path=’./mobilenet_v1.rknn’)
API | Init_runtime |
描述 | 初始化运行时环境。确定模型运行的设备信息(硬件平台信息、设备ID);性能评估时是否启用debug模式,以获取更详细的性能信息。 |
参数 | target:目标硬件平台,目前支持“rk1808”。默认为None,即在PC使用工具时,模型在模拟器上运行。 |
device_id:设备编号,如果PC连接多台设备时,需要指定该参数,设备编号可以通过”list_devices”接口查看。默认值为None。 | |
perf_debug:进行性能评估时是否开启debug模式。在debug模式下,可以获取到每一层的运行时间,否则只能获取模型运行的总时间。默认值为False。 | |
eval_mem: 是否进入内存评估模式。进入内存评估模式后,可以调用eval_memory接口获取模型运行时的内存使用情况。默认值为False。 | |
async_mode:是否使用异步模式。调用推理接口时,涉及设置输入图片、模型推理、获取推理结果三个阶段。如果开启了异步模式,设置当前帧的输入将与推理上一帧同时进行,所以除第一帧外,之后的每一帧都可以隐藏设置输入的时间,从而提升性能。在异步模式下,每次返回的推理结果都是上一帧的。该参数的默认值为False。 | |
返回值 | 0:初始化运行环境成功 |
-1:初始化运行时环境失败 |
初始化运行时环境
ret = rknn.init_runtime(target=’rk1808’, device_id=’012345789AB’)
if ret!=0:
print(‘Init runtime environment failed’)
exit(ret)
API | Inference |
描述 | 使用模型对指定的输入进行推理,得到推理结果。 如果RKNN-Toolkit运行在PC上,且初始化运行环境时设置target为 “rk1808”,得到的是模型在硬件平台上的推理结果。 如果RKNN-Toolkit运行在PC上,且初始化运行环境时没有设置target,得到的是模型在模拟器上的推理结果。 |
参数 | inputs:待推理的输入,如经过cv2处理的图片。格式是ndarray list。 |
data_type:输入数据的类型,可填以下值:’float32’, ‘float16’, ‘int8’, ‘uint8’, ‘int16’。默认值为’uint8’。 | |
data_format:数据模式,可以填以下值: “nchw”, “nhwc”。默认值为’nhwc’。这两个的不同之处在于channel数放置的位置。 | |
outputs:指定输出数据的格式,格式是ndarray list,用于指定输出的shape和dtype。默认值为None,此时返回的数据dtype为float32。 | |
inputs_pass_through: 将输入透传给NPU驱动。非透传模式下,在将输入传给NPU驱动之前,工具会对输入进行减均值、除方差等操作;而透传模式下,不会做这些操作。这个参数的值是一个数组,比如要透传input0,不透彻input1,则这个参数的值为[1, 0]。目前我们只支持单输入,所以值为[0]表示不透传,值为[1]表示透传。默认值为None,即对所有输入都不透传。 | |
返回值 | results:推理结果,类型是ndarray list。 |
如,执行mobilenet_v1模型:
outputs = rknn.inference(inputs=[img])
show_outputs(outputs)
输出的结果TOP5 结果如下
——TOP 5——
[156]: 0.8837890625
[155]: 0.0677490234375
[188]: 0.00867462158203125
[205]: 0.00867462158203125
[263]: 0.0057525634765625
API | eval_perf |
描述 | 评估模型性能。 模型运行在PC上,初始化运行环境时不指定target,得到的是模型在模拟器上运行的性能数据,包含逐层的运行时间及模型完整运行一次需要的时间。 模型运行在与PC连接的RK1808上,且初始化运行环境时设置perf_debug为False,则获得的是模型在硬件上运行的总时间;如果设置perf_debug为True,除了返回总时间外,还将返回每一层的耗时情况。 |
参数 | inputs:输入数据,如经过cv2处理得图片。格式是ndarray list。 |
data_type:输入数据的类型,可填以下值:’float32’, ‘float16’, ‘int8’, ‘uint8’, ‘int16’。默认值为’uint8’ | |
data_format:数据模式,可以填以下值: “nchw”, “nhwc”。默认值为’nhwc’。 | |
is_print:是否以规范格式打印性能评估结果。默认值为True。 | |
返回值 | perf_result:性能信息。类型为字典。在硬件平台上运行,且初始运行环境时设置perf_debug为False时,得到的字典只有一个字段’total_time’,示例如下: { ‘total_time’: 1000 } 其他场景下,得到的性能信息字典多一个’layers’字段,这个字段的值也是一个字典,这个字典以每一层的ID作为key,其值是一个包含’name’(层名)、’operation’(操作符,只有运行在硬件平台上时才有这个字段)、’time’(该层耗时)等信息的字典。举例如下: { ‘total_time’, 4568, ‘layers’: { ‘0’: { ‘name’: ‘convolution.relu.pooling.layer2_2’, ‘operation’: ‘CONVOLUTION’, ‘time’, 362 } ‘1’: { ‘name’: ‘convolution.relu.pooling.layer2_2’, ‘operation’: ‘CONVOLUTION’, ‘time’, 158 } } } |
对模型性能进行评估
rknn.eval_perf(inputs=[image], is_print=True)
如mobilenet-ssd,其性能评估结果打印如下(以下是在PC模拟器上得到的结果,连接硬件设备时得到的详情与该结果略有不同):
Performance
Layer_ID Name Time(us)
0 tensor.transpose_3 125
71 convolution.relu.pooling.layer2_3 325
105 convolution.relu.pooling.layer2_2 331
72 convolution.relu.pooling.layer2_2 437
106 convolution.relu.pooling.layer2_2 436
73 convolution.relu.pooling.layer2_2 223
107 convolution.relu.pooling.layer2_2 374
74 convolution.relu.pooling.layer2_2 327
108 convolution.relu.pooling.layer2_3 533
75 convolution.relu.pooling.layer2_2 201
109 convolution.relu.pooling.layer2_2 250
76 convolution.relu.pooling.layer2_2 320
110 convolution.relu.pooling.layer2_2 250
77 convolution.relu.pooling.layer2_2 165
111 convolution.relu.pooling.layer2_2 257
78 convolution.relu.pooling.layer2_2 319
112 convolution.relu.pooling.layer2_2 257
79 convolution.relu.pooling.layer2_2 319
113 convolution.relu.pooling.layer2_2 257
80 convolution.relu.pooling.layer2_2 319
114 convolution.relu.pooling.layer2_2 257
81 convolution.relu.pooling.layer2_2 319
115 convolution.relu.pooling.layer2_2 257
82 convolution.relu.pooling.layer2_2 319
83 convolution.relu.pooling.layer2_2 181
27 tensor.transpose_3 48
84 convolution.relu.pooling.layer2_2 45
28 tensor.transpose_3 6
116 convolution.relu.pooling.layer2_3 297
85 convolution.relu.pooling.layer2_2 233
117 convolution.relu.pooling.layer2_2 311
86 convolution.relu.pooling.layer2_2 479
87 convolution.relu.pooling.layer2_2 249
35 tensor.transpose_3 29
88 convolution.relu.pooling.layer2_2 30
36 tensor.transpose_3 5
89 convolution.relu.pooling.layer2_2 125
90 convolution.relu.pooling.layer2_3 588
91 convolution.relu.pooling.layer2_2 96
41 tensor.transpose_3 10
92 convolution.relu.pooling.layer2_2 11
42 tensor.transpose_3 5
93 convolution.relu.pooling.layer2_2 31
94 convolution.relu.pooling.layer2_3 154
95 convolution.relu.pooling.layer2_2 50
47 tensor.transpose_3 6
96 convD_2 6
48 tensor.transpose_3 4
97 convolution.relu.pooling.layer2_2 17
98 convolution.relu.pooling.layer2_3 153
99 convolution.relu.pooling.layer2_2 49
53 tensor.transpose_3 5
100 convolution.relu.pooling.layer2_2 6
54 tensor.transpose_3 4
101 convolution.relu.pooling.layer2_2 10
102 convolution.relu.pooling.layer2_2 21
103 fullyconnected.relu.layer_3 13
104 fullyconnected.relu.layer_3 8
Total Time(us): 10462
FPS(800MHz): 95.58
API | Eval_memory |
描述 | 获取模型在硬件平台运行时的内存使用情况。 模型必须运行在与PC连接的RK1808上。 注:使用该功能时,对应的驱动版本必须要大于等于0.9.4。驱动版本可以通过get_sdk_version接口查询。 |
参数 | is_print: 是否以规范格式打印内存使用情况。默认值为True。 |
返回值 | memory_detail:内存使用情况。类型为字典。 内存使用情况按照下面的格式封装在字典中: { ‘system_memory’: { ‘maximum_allocation’: 128000000, ‘total_allocation’: 152000000 } ‘npu_memory’: { ‘maximum_allocation’: 30000000, ‘total_allocation’: 40000000 } ‘total_memory’: { ‘maximum_allocation’: 158000000, ‘total_allocation’: 192000000 } } 注: 1.’system_meomory’字段表示系统内存占用。 2.’npu_memory’表示NPU内部内存的使用情况。 3.’total_memory’是上述系统内存和NPU内部内存的和。 4.’maximun_allocation’是内存使用的峰值,单位是byte。表示模型从运行开始到结束内存的最大分配至,这是一个峰值。 5.’total_allcation’表示整个运行过程中分配的所有内存之和。 |
对模型内存使用情况进行评估
memory_detail = rknn.eval_memory()
如mobilenet_v1,它在NNEWN AI硬件平台上运行时内存占用情况如下:
System memory:
maximum allocation : 41.53 MiB
total allocation : 43.86 MiB
NPU memory:
maximum allocation : 34.53 MiB
total allocation : 34.54 MiB
Total memory:
maximum allocation : 76.06 MiB
total allocation : 78.40 MiB
INFO: When evaluating memory usage, we need consider the size of model, current model size is: 4.10 MiB
API | Get_sdk_version |
描述 | 获取SDK API和驱动的版本号 |
参数 | 无 |
返回值 | Sdk_version: API和驱动版本信息。类型为字符串 |
获取SDK版本信息
sdk_version = rknn.get_sdk_version()
返回的SDK信息如下
RKNN VERSION:
API: 0.9.9 (2bf05e1 build: 2019-08-14 14:42:10)
DRV: 0.9.9 (8509ec7 build: 2019-08-05 10:54:34)
[未分类] 瑞芯微旗舰级8KSoC芯片RK3588规格参数简介及Datasheet下载
2022-10-29
[行业应用] 基于瑞芯微RK3588的AR/VR智能眼镜及智能头盔类产品主板方案
2022-11-04
[行业应用] RK3588已适配银河麒麟操作系统,助力用户应用快速落地
2023-02-07
[行业资讯] 2023年瑞芯微开发者大会落幕,多项技术应用方案已落地
2023-02-28
[行业资讯] RK3399/RK3588成功适配Hailo-8的AI加速模块M.2计算卡,最高算力可达26TOPs
2023-03-09
[行业资讯] 瑞芯微RK3576 AIoT芯片规格及应用场景介绍
2024-01-02
[行业应用] 高度集成化模块化的RK3568和RK3588无人机AI控制主板方案
2022-10-29
[行业应用] NNEWN-RK3588系列产品已全面适配银河麒麟kylinOS、统信UOS、鸿蒙OpenHarmonyOS等国产操作系统
2022-11-07
[技术分享] 【官方开发文档】RKNN SDK 快速上手指南(RV1106/RV1103)
2023-02-05
[行业应用] 基于瑞芯微RK3588S的高性能移动设备及商用平板解决方案
2022-11-21
[行业应用] 基于瑞芯微RK3568的智能NVR/NAS服务器主板方案
2022-11-22
[技术分享] 瑞芯微RK3588/RK3568等芯片DDR SDRAM支持列表_2022.08.18更新
2022-11-09
[技术分享] 瑞芯微RK3588/RK3568等芯片Camera Sensor支持列表_2022.11.09更新
2022-11-09
[行业应用] 基于瑞芯微RK3588的智能NVR/NAS服务器主板方案
2022-11-18
2022-11-11
[行业资讯] 瑞芯微RK628D视频接口转换芯片简介及Datasheet下载
2021-08-28
[技术分享] 瑞芯微RK3588/RK3568等芯片eMMC支持列表_2022.10.31更新
2022-11-09
[技术分享] 【官方开发文档】Rockchip SDK申请及同步指南
2023-02-03
2022-11-10
2022-11-11
Copyright © 2021-2024 福州牛新牛科技有限公司 All rights reserved. |
嵌入式板卡
操作系统移植
AI部署应用
聚合智能网关
自主可控国产化
Copyright © 2021-2024 福州牛新牛科技有限公司 All rights reserved. |
办公地址:福建省福州市台江区鳌峰街道鳌江路8号万达广场A2栋618-619室
核心板
工控板
工控机
智能网关
平板电脑
技术与支持
成就客户 成就自我 勇攀高峰
产品中心