About

在瑞芯微rockchip的AI芯片rv1109上，利用rknn和opencv库，修改了官方yolov3后处理部分代码Bug，交叉编译yolov3-demo示例后可成功上板部署运行。

项目地址（含工程源代码）：rockchip_rv1109_rknn-yolov3-demohttps://github.com/BaronLeeLZP/rockchip_rv1109_rknn-yolov3-demo

rockchip_rv1109_rknn-yolov3-demo

在瑞芯微rockchip的AI芯片rv1109上，利用rknn和opencv库，修改了官方yolov3后处理部分代码Bug， Ubuntu18.04系统，瑞芯微交叉编译工具链，yolov3-demo示例后可成功上板部署运行。 同时，对在瑞芯微rockchip的其他AI芯片上利用NPU rknn部署CNN模型提供参考和借鉴。 以下为demo工程说明：

libopencv_api

交叉编译时所依赖的opencv库，本工程opencv版本为4.3.0，已经打包好了； 亦可根据自己项目需要选择不同版本/不同阉割程度的opencv依赖库，需自行编译。

librknn_api

交叉编译时所依赖的rknn库，瑞芯微官方提供，rknn_api.h/librknn_api.so； 使用过程详见yolov3检测模型的预处理/加载/推断过程，main.cpp文件。

src

yolov3_post_process.h

yolov3 rknn模型推断原始结果的后处理函数接口：

1. int outputs_transform(rknn_output rknn_outputs[], int net_width, int net_height, detection* dets);首要的后处理操作，数据转换。
2. int do_nms_sort(detection *dets, int total, int classes, float thresh);非极大值抑制算法实现，欢迎码友提供更高效代码的实现。
3. int draw_image(cv::Mat img, detection* dets, int total, float thresh);利用opencv绘制检测结果输出图像并保存为out.jpg。 可封装为标准的输入输出接口

yolov3_post_process.cpp

yolov3 rknn模型推断原始结果的后处理过程详细的代码实现

main.cpp

demo主函数代码实现，可了解物体检测时rknn接口函数调用过程。 识别模型相比较于检测模型的推断，处理过程则更简单。

交叉编译环境

交叉编译工具见瑞芯微rockchip官方提供的SDK，路径位于SDK/prebuilts/gcc/linux-x86/arm/gcc-arm-8.3-2019.03-x86_64-arm-linux-gnueabihf 手里拿有板子的码友应该都有SDK的，对吧。依照文档配置好交叉编译环境。

demo使用步骤如下：

1. 工程编译生成test可执行文件； 命令make
2. 工程编译生成libyolo库文件； 命令make arm_lib
3. 在rv11xx上运行test文件可得yolov3-demo运行结果。 将test文件/dog.jpg图像及其依赖库移植到RV1109上，登录嵌入式系统，命令./test,运行demo即可得out.jpg文件输出结果。 

   

如有技术问题欢迎交流！

如有版权问题请及时告知！

欢迎技术交流与合作！

版权声明：本文为CSDN博主「yueyueniaolzp」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yueyueniaolzp/article/details/121609008