简介

• 此仓库为c++实现, 大体改自rknpu2, python快速部署见于rknn-multi-threaded
• 使用线程池异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数
• yolov5s使用relu激活函数进行优化,提高推理帧率

更新说明

• 修复了cmake找不到pthread的问题
• 新增nosigmoid分支,使用rknn_model_zoo下的模型以达到极限性能提升
• 将RK3588 NPU SDK 更新至官方主线1.5.0, yolov5s-silu将沿用1.4.0的旧版本模型, yolov5s-relu更新至1.5.0版本, 弃用nosigmoid分支。
• 新增v1.5.0分支(向下兼容1.4.0), main分支更新至v1.5.2, 修改了项目结构, 将rknn模型线程池封装成类(include/rknnPool.hpp)

使用说明

演示

• 系统需安装有OpenCV
• 下载Releases中的测试视频于项目根目录,运行build-linux_RK3588.sh
• 可切换至root用户运行performance.sh定频提高性能和稳定性
• 编译完成后进入install运行命令./rknn_yolov5_demo 模型所在路径 视频所在路径/摄像头序号

部署应用

• 参考include/rkYolov5s.hpp中的rkYolov5s类构建rknn模型类

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
• 测试模型来源:
• yolov5s-relu
• 测试视频可见于 bilibili

模型\线程数	1	2	3	4	5	6	9	12
Yolov5s - relu	41.6044	71.6037	98.6057	98.0068	104.6001	114.7454	129.5693	140.8788

补充

• 异常处理尚未完善, 目前仅支持rk3588/rk3588s下的运行

Acknowledgements

• https://github.com/rockchip-linux/rknpu2
• https://github.com/senlinzhan/dpool
• https://github.com/ultralytics/yolov5
• https://github.com/airockchip/rknn_model_zoo