【迅为电子】10路UART、1TOPS的NPU、2路网口、异构

RK3562是瑞芯微新推出的一款处理器，有RK3562（商业级）和RK3562J（工业级）两个版本，RK3562处理器拥有四核Cortex-A53@1.8GHz + Cortex-M0@200MHz异构多核架构，支持10路UART、2路CAN、2路网口、3个显示接口、2路Camera等超多外设接口。

除此之外还内置算力高达1TOPS的NPU，支持INT4、INT8、INT16、FP16等多种数据类型，支持TensorFlow、PyTorch、ONNX、TFLite、Caffe、Android NN 等深度学习框架，可以实现高效神经网络推理计算并轻松应对多种AI运算场景。

RK3562－NPU使用流程

第一步：训练模型

准备训练数据，然后选择TensorFlow、PyTorch、ONNX、TFLite、Caffe等框架训练模型。也可以使用瑞芯微提供的模型。

第二步：模型转换

得到训练好的模型以后，使用RKNN-Toolkit2工具将模型转换为RKNN模型。RKNN模型则是RK3562 NPU可以识别的模型。

第三步：应用开发

根据具体使用需求，将转换后的模型集成到应用程序中。

RK3562－NPU案例分享

在rknn-toolkit2 工具中， 自带了很多测试例程和模型，如下图所示：

选择tensorflow作为测试框架， 进入tensorflow/ssd_mobilenet_v1/目录下.

打开 test.py,修改对应的平台为 rk3562， 修改如下所示， “-”代表需要删除的内容， “+”代表需要新增的内容。

if __name__ == '__main__':

# Create RKNN object

- rknn = RKNN(verbose=True)

+ rknn = RKNN()

# Pre-process config

print('--> Config model')

- rknn.config(mean_values=[127.5, 127.5, 127.5], std_values=[127.5, 127.5, 127.5])

+ rknn.config(mean_values=[127.5, 127.5, 127.5], std_values=[127.5, 127.5, 127.5],

target_platform='RK3562')

print('done')

# Load model

@@ -62,7 +62,7 @@ if __name__ == '__main__':

# Init runtime environment

print('--> Init runtime environment')

- ret = rknn.init_runtime()

+ ret = rknn.init_runtime(target='RK3562')

if ret != 0:

print('Init runtime environment failed!')

exit(ret)

修改完并执行该脚本后可以看到知推理图片识别后的结果。

Score 反映的是得分，得分越高说明和被认为的标签相似度越高，圆括号则是对应识别出的物体的坐标。 命令行中出现了八行被识别物体的坐标和置信度， 和 out.jpg 可以对应。out.jpg 如下图所示