產(chǎn)品測評：基于RK3588工業(yè)級芯片，構(gòu)建智能工業(yè)互聯(lián)網(wǎng)網(wǎng)關(guān)

繼前幾期電子發(fā)燒友用戶為我們帶來了關(guān)于HZHY-AI300G的精彩測評后，本期我們再次為大家分享一份新的產(chǎn)品測評。本次測評涵蓋了更多產(chǎn)品性能的細節(jié)與實際操作反饋，希望能為廣大愛好者提供新的啟發(fā)和參考。以下是完整測評內(nèi)容，歡迎大家持續(xù)關(guān)注并積極交流討論！

感謝電子發(fā)燒友和北京合眾恒躍科技有限公司提供的評測機會。

HZHY-AI300G工業(yè)級國產(chǎn)化智盒，采用RK3588工業(yè)級芯片組適應(yīng)-40℃-85℃工業(yè)級寬溫網(wǎng)關(guān)。

以前測試過其他廠家的RK3568產(chǎn)品，對瑞芯微的工具也比較了解。

項目計劃

此次評測的項目計劃：

1.根據(jù)文檔，學(xué)習(xí)RK3588的AI開發(fā)環(huán)境和相關(guān)的程序框架。

2.利用RKNN框架進行視頻識別的模型構(gòu)建工作。

3.利用該開發(fā)板的接口實現(xiàn)WiFi和RS485傳感器的連接工作，構(gòu)建工業(yè)互聯(lián)網(wǎng)關(guān)。

4.將所接收到的數(shù)據(jù)上傳至MQTT服務(wù)器平臺。

外觀介紹

周末就拿到了開發(fā)板，非常的小巧，和實驗室使用的工業(yè)網(wǎng)關(guān)做個對比，簡直是美女和野獸的區(qū)別。

產(chǎn)品配了兩根天線，短的是WiFi的，長的是4G的。

作為一款在復(fù)雜工況中使用的產(chǎn)品，4G模塊還是非常有用的。

文字資料

在合眾恒躍的網(wǎng)站上可以看到基本的資料：RK3588-文檔教程README--ShowDoc

產(chǎn)品的接口非常豐富，包括兩個網(wǎng)口、兩個USB口、一個調(diào)試口、一個OTG口、TF卡和SIM卡的接口。

產(chǎn)品還提供了GPIO、2個RS485、1個RS232接口，采用的是插拔式的PCB接線座，非常方便使用。

合眾恒躍在B站上提供了很多學(xué)習(xí)視頻，這點還是值得稱道的。

內(nèi)容主要包括：

AI 300G的環(huán)境構(gòu)建和外設(shè)測試；

RK3588，包括RKNN開發(fā)工具的介紹；

RK35588項目實戰(zhàn)，包括OCR識別、YOLOv8目標識別、人臉識別等。

廠商還提供了Linux入門的教程， 這對新手非常友好。我以前接觸過一些工程師，他們以前有MCU經(jīng)驗，但是初試學(xué)習(xí)Linux還是有些困難的。做RK3588的產(chǎn)品的廠商目前很多，合眾恒躍還是給人不錯的第一印象。

例程測試

HZHY-AI300G智能盒默認的系統(tǒng)是Ubuntu，這樣非常方便使用，接上USB鍵盤和鼠標就像使用電腦一樣。

廠商在百度盤中提供了測試例程，今天就來簡單的測試一下。

RTC測試

廠商提供的例程是針對交叉編譯環(huán)境的，要在本地編譯，修改修改一下Makefile。

將原來的代碼中的CC注釋掉：

1.#CC=/home/hzhy/HZHY/RK3568/rk356x_

linux_sdk/buildroot/output/rockchip_rk3568/

host/bin/aarch64-buildroot-linux-gnu-gcc

2.CC=/home/hzhy/HZHY/RK3568/

3568_demo/HZ-EVM-RK3568-GCC/bin/aarch64-buildroot-linux-gnu-gcc

3.

4.APP_SRC_DIR = ./src

5.APP_INC_DIR = ./inc

改為：

1.rockchip_rk3568/host/bin/aarch64-

buildroot-linux-gnu-gcc#

2.CC=/home/hzhy/HZHY/RK3568/

3568_demo/HZ-EVM-RK3568-GCC/bin/aarch64-buildroot-linux-gnu-gcc
3.

4.APP_SRC_DIR = ./src

5.APP_INC_DIR = ./inc

然后Make就可以得到可執(zhí)行文件了。開發(fā)板的RTC設(shè)備為/dev/rtc或/dev/rtc0。默認的設(shè)備訪問權(quán)限是只有root用戶可以讀寫，所以使用sudo chmod 666 /dev/rtc將設(shè)備修改為人人可以讀寫。然后運行./rtc_demo rtc -r就可以讀出RTC數(shù)據(jù)了。

UART測試

我在后面會用到RS485，所以也簡單的運行了一下UART的程序程序。

從程序的結(jié)果可以看出，系統(tǒng)中有4個USB串口，這是4G模塊所使用的，可以通過串口給模塊發(fā)指令，進行上網(wǎng)操作；另外三個串口，ttyS0應(yīng)該是RS232，而ttyS7和ttyS8應(yīng)該是RS485接口。后面，我會專門測試串口的使用。

Neuron工業(yè)協(xié)議網(wǎng)關(guān)軟件

Neuron早先是開源軟件，核心部分和MODBUS、MQTT插件都免費。現(xiàn)在NeuronEx是最新版本，已經(jīng)不開源了。

1

軟件安裝

Neuron是可以直接用現(xiàn)成的deb軟件包安裝的。廠商提供的x86和ARM架構(gòu)的不同軟件包。

根據(jù)不同版本及架構(gòu)下載安裝包，例如：

1.wget https://www.emqx.com/zh/downloads/

neuron/2.6.8/neuron-2.6.8-linux-amd64.deb

2.sudo apt install neuron-2.6.8-linux-amd64.deb

安裝后的版本，Neuron 提供了 30 個點（30 個連接和 30 個數(shù)據(jù)標簽）的免費額度?？稍诓话惭b EMQ 許可證的情況下，運行這些商業(yè)模塊。超出免費額度后，則必須安裝有效的試用版或官方 EMQ 許可證。

2

軟件運行

3

軟件運行

在南向設(shè)備中選擇新建設(shè)備，創(chuàng)建一個名為RS485的設(shè)備，設(shè)備類型選擇Modbus-RTU。

在創(chuàng)建設(shè)備的頁面，物理鏈路選擇為Serial，串口設(shè)備設(shè)置為/dev/ttyS8。

4

創(chuàng)建要監(jiān)視的數(shù)據(jù)點位

完成南向插件的添加和配置后，要建立設(shè)備與 Neuron 之間的通信，首先應(yīng)為南向驅(qū)動程序添加組和點位。點擊RS485設(shè)備，添加一個名為 Data 的數(shù)據(jù)組 。

點位是分配給一條信息的非分層唯一關(guān)鍵字，其中定義了設(shè)備中的數(shù)據(jù)存儲位置和數(shù)據(jù)操作屬性，還包含有關(guān)數(shù)據(jù)的一些元數(shù)據(jù)信息，如比例因子、精確度和讀/寫屬性等。我使用的溫濕度傳感器有兩個點位：溫度和濕度。點位將被分配到組中。同一個組的數(shù)據(jù)以相同的頻率進行采集以及上報。創(chuàng)建好組和點位，即可從數(shù)據(jù)監(jiān)控中獲取點位的實時值。

我選用的傳感器是冀歐速傳感器，它的產(chǎn)品采用的是MODBUS協(xié)議。MODBUS是一個非常老的協(xié)議，1979年成為事實上的國際標準，目前有個國際組織進行維護：The Modbus Organization。

RS485接口產(chǎn)品中使用的是MODBUS over Serial Line協(xié)議，或者稱為MODBUS RTU協(xié)議，其官方文檔定義：Specification and Implementation Guide for MODBUS over serial line

協(xié)議的基本格式非常簡單，有地址域、功能碼、數(shù)據(jù)和CRC校驗組成。

冀歐速傳感器的查詢命令如下，這里功能碼0x03就是用來查詢數(shù)據(jù)的。

對數(shù)據(jù)簡單解釋一下：

濕度數(shù)據(jù)0x164，就是10進制的356，對應(yīng)著35.6% RH

溫度數(shù)據(jù)0xFFDD，就是-35的補碼，對應(yīng)-3.5℃。

在組列表頁，點擊組名稱進入點位列表頁，添加需要采集的設(shè)備點位，包括點位地址，點位屬性，數(shù)據(jù)類型等。我們添加兩個點位：

溫度：read屬性，INT16類型，地址：1!40001，乘系數(shù)值為 0.1

濕度：read屬性，INT16類型，地址：1!40002，乘系數(shù)值為 0.1

其中，其中Read屬性用于讀取數(shù)據(jù)，1 代表 Modbus 模擬器中設(shè)置的點位站點號，40001 代表點位寄存器地址，400001是第一個保持寄存器，設(shè)備值 * 乘系數(shù) = 顯示值`。

5

數(shù)據(jù)查看

在南向設(shè)備中，可以看到RS485設(shè)備的運行狀態(tài)。

在數(shù)據(jù)監(jiān)控頁面就可以看到溫濕度傳感器傳過來的信息。

至此，我們完成了南向設(shè)備的添加工作。

前面介紹了如何在HZHY-AI300G智能盒創(chuàng)建南向設(shè)備，有了南向設(shè)備就可以實現(xiàn)數(shù)據(jù)采集，但是還需要建立北向設(shè)備才能將數(shù)據(jù)發(fā)送到MQTT服務(wù)器上。在介紹北向設(shè)備之前，先介紹如何在華為IoTDA平臺上建立設(shè)備。

華為IoTDA平臺

華為云設(shè)備接入IoTDA指的是設(shè)備接入服務(wù)（IoT Device Access），是華為云的物聯(lián)網(wǎng)平臺提供海量設(shè)備連接上云、設(shè)備和云端雙向消息通信、批量設(shè)備管理、遠程控制和監(jiān)控、OTA升級、設(shè)備聯(lián)動規(guī)則等能力，并可將設(shè)備數(shù)據(jù)靈活流轉(zhuǎn)到華為云其他服務(wù)，幫助物聯(lián)網(wǎng)行業(yè)用戶快速完成設(shè)備聯(lián)網(wǎng)及行業(yè)應(yīng)用集成。

首先進入華為云IoTDA網(wǎng)站：華為云物聯(lián)網(wǎng)平臺_華為云IoT平臺_IoT_設(shè)備接入-華為云，點擊控制臺按鈕進行登錄。控制臺界面如下圖：

注冊IoTDA實例

在控制臺界面處點擊左上角三條橫線，會出現(xiàn)菜單；

選擇“IoT物聯(lián)網(wǎng)”——“設(shè)備接入IoTDA”；

在左側(cè)欄目中選擇IoTDA實例，在標準版處選擇購買實例；

每位用戶都有一次免費的使用機會，在其中選擇免費單元即可。

創(chuàng)建產(chǎn)品

1.在左欄中選擇 產(chǎn)品→創(chuàng)建產(chǎn)品；

2.填寫產(chǎn)品名稱、協(xié)議類型（MQTT）和數(shù)據(jù)格式（JSON）；

3.設(shè)備類型選擇調(diào)整為“自定義類型”，設(shè)備類型隨意填寫；

4.創(chuàng)建完產(chǎn)品進入產(chǎn)品詳情界面，隨后可以為產(chǎn)品定義物模型，添加物模型中的服務(wù)，并添加相應(yīng)的功能屬性。不過Neuron的MQTT插件不支持華為物模型的數(shù)據(jù)格式，除非專門寫一個北向插件，否則Neuron發(fā)送的數(shù)據(jù)可以被華為云接收處理，但是不能顯示為華為物模型，所以我們省略物模型的構(gòu)建。

添加設(shè)備

選擇左欄中的“設(shè)備→所有設(shè)備” 注冊新設(shè)備，為后面Neuron的數(shù)據(jù)上傳做準備。

接下來介紹一下如何建立北向應(yīng)用將采集到的數(shù)據(jù)發(fā)送到華為云物聯(lián)網(wǎng)服務(wù)器上。

Neuron的北向應(yīng)用

Neuron 是運行在物聯(lián)網(wǎng)邊緣網(wǎng)關(guān)硬件上的工業(yè)協(xié)議網(wǎng)關(guān)軟件，通過將來自繁雜多樣工業(yè)設(shè)備的不同協(xié)議類型數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一標準的物聯(lián)網(wǎng) MQTT 消息，實現(xiàn)設(shè)備與工業(yè)物聯(lián)網(wǎng)系統(tǒng)之間、設(shè)備彼此之間的互聯(lián)互通，進行遠程的直接控制和信息獲取。Neuron 支持同時為多個不同通訊協(xié)議設(shè)備、數(shù)十種工業(yè)協(xié)議進行一站式接入及 MQTT協(xié)議轉(zhuǎn)換。北向插件用于連接到IOT平臺或邊緣流處理引擎，北向插件和南向插件組合使用實現(xiàn)數(shù)據(jù)采集和數(shù)據(jù)傳遞。

創(chuàng)建北向節(jié)點

在Neuron控制臺創(chuàng)建北向 MQTT 節(jié)點，連接并將點位數(shù)值上傳到 MQTT Broker，此處是華為IoTDA平臺。

在配置 -> 北向應(yīng)用，點擊 添加應(yīng)用 添加 MQTT 客戶端節(jié)點：

名稱：此應(yīng)用節(jié)點名稱，例如，HuaweiIoT；

插件：選擇 MQTT 插件。

點擊創(chuàng)建后，將跳轉(zhuǎn)至應(yīng)用配置頁面，我們將在這里配置 Neuron 與北向應(yīng)用建立連接所需的參數(shù)。您也可點擊設(shè)備卡片上的設(shè)備配置圖標進入應(yīng)用配置界面。

設(shè)置MQTT連接參數(shù)

點擊應(yīng)用卡片上的 應(yīng)用配置 按鍵進入應(yīng)用配置界面設(shè)置 MQTT 連接。

上述參數(shù)可以在云平臺的左欄中 “設(shè)備→所有設(shè)備“，然后選定要使用的設(shè)備，進入設(shè)備詳情后，選擇”MQTT連接參數(shù)：查看” 中找到。我選擇非SSL模式，這里的端口信息一定要選擇1883。如果要使用SSL，則端口為8883，則在服務(wù)器和Neuron中都需要配置CA證書。

在Neuron中點擊提交，完成北向應(yīng)用的配置，應(yīng)用卡片自動進入 運行中 的工作狀態(tài)。如果連接狀態(tài)顯示為斷開，請檢查網(wǎng)絡(luò)狀態(tài)或者MQTT連接參數(shù)是否正確。

訂閱南向設(shè)備的數(shù)據(jù)

采集點位是以組為單位進行數(shù)據(jù)上傳的，訂閱選擇要上傳的點位組。

在設(shè)備卡片或設(shè)備列，可點擊數(shù)據(jù)統(tǒng)計圖表查看及應(yīng)用運行情況、接收和發(fā)送的數(shù)據(jù)情況。

在華為云上查看上傳數(shù)據(jù)

如果Neuron中設(shè)備狀態(tài)顯示為已連接，就意味數(shù)據(jù)被成功發(fā)送到華為云上了。

登錄華為云的控制臺，在左欄中點擊“監(jiān)控運維→在線調(diào)試/消息跟蹤→選擇設(shè)備” 選中目標設(shè)備后返回點擊IoT平臺即可查看到相關(guān)日志。

數(shù)據(jù)也可以導(dǎo)出為Excel文件供進一步分析。數(shù)據(jù)也可以轉(zhuǎn)發(fā)給華為的數(shù)據(jù)庫，然后利用數(shù)據(jù)大屏進行可視化分析。這些內(nèi)容超出了本次測評的范圍，就不詳細介紹了。前面已經(jīng)展示了AI300G智能盒轉(zhuǎn)為工業(yè)網(wǎng)關(guān)的能力，接下來我們將測試RK3588的NPU推理能力。

首先，需要安裝RKNN相關(guān)工具和Python的環(huán)境。

安裝RKNN工具

瑞芯微提供的NPU相關(guān)工具包括RKNN-Toolkit2、RKNN Toolkit Lite2。

RKNN-Toolkit2是為用戶提供在 PC、 Rockchip NPU平臺上進行模型轉(zhuǎn)換、 推理和性能評估的開發(fā)套件， 用戶通過該工具提供的 Python接口可以便捷地完成以下功能：

1.模型轉(zhuǎn)換： 支持 Caffe、 TensorFlow、 TensorFlow Lite、 ONNX、 DarkNet、 PyTorch等模型轉(zhuǎn)為 RKNN模型， 并支持 RKNN模型導(dǎo)入導(dǎo)出， RKNN模型能夠在 Rockchip NPU平臺 上加載使用。

2.量化功能： 支持將浮點模型量化為定點模型， 目前支持的量化方法為非對稱量化（ asymmetric_quantized-8及asymmetric_quantized-16） ， 并 支 持 混 合 量 化 功 能 。

3.模型推理： 能夠在 PC上模擬 Rockchip NPU運行 RKNN模型并獲取推理結(jié)果； 或?qū)?RKNN模型分發(fā)到指定的 NPU設(shè)備上進行推理并獲取推理結(jié)果。

4.性能評估： 將 RKNN模型分發(fā)到指定 NPU設(shè)備上運行， 以評估模型在實際設(shè)備上運行時的性能。

5.內(nèi)存評估： 評估模型運行時的內(nèi)存的占用情況。 使用該功能時， 必須將 **RKNN 模型分發(fā) 到 NPU設(shè)備中運行， 并調(diào)用相關(guān)接口獲取內(nèi)存使用信息。

6.量化精度分析： 該功能將給出模型量化前后每一層推理結(jié)果與浮點模型推理結(jié)果的余弦距離， 以便于分析量化誤差是如何出現(xiàn)的， 為提高量化模型的精度提供思路。

RKNN Toolkit Lite2為 Rockchip NPU平臺提供 Python編程接口，幫助用戶部署 RKNN模型，加速 AI應(yīng)用的落地。我們在開發(fā)板上一般只需要安裝RKNN Toolkit Lite2，而RKNN-Toolkit2通常是安裝在電腦上的。

安裝pip3

AI-300G采用的是Ubuntu系統(tǒng)，默認是安裝了Python 3.8，但是沒有安裝RKNN相關(guān)的工具。開發(fā)板上沒有pip3，所以需要先安裝一個：

sudo apt install python3-pip

安裝RKNN Toolkit Lite2

然后從https://github.com/airockchip/rknn-toolkit2/tree/master/rknn-toolkit-lite2/packages下載所需要rknn_toolkit_lite2的安裝包，對于我的配置，就是rknn_toolkit_lite2-2.0.0b0-cp38-cp38-linux_aarch64.whl文件。

使用pip進行安裝：

pip install rknn_toolkit_lite2-2.0.0b0-cp38-cp38-linux_aarch64.whl

另外，安裝一下OpenCV，方便進行圖像處理：

pip install -i https://mirror.baidu.com/pypi/simple opencv_contrib_python

安裝RKNPU2運行庫

瑞芯微的NPU運行還需要RKNPU2運行庫支持。首先從https://github.com/airockchip/rknn-toolkit2/tree/master/rknpu2/runtime/Linux下載所需要的RKNN Server和RKNPU2 Runtime庫。注意：不要使用廠商提供的百度盤里面的庫文件，那些文件版本太低了。 瑞芯微的NPU相關(guān)工具迭代速度相當快，要注意模型、工具之間的版本匹配。

至此，運行Python NPU推理程序的開發(fā)環(huán)境就準備好了。環(huán)境準備好之后，接下來利用瑞芯微的NPU進行道路視頻中的車輛識別，根據(jù)識別到的車輛的數(shù)量估計道路的流量情況，實現(xiàn)智慧交通中的流量監(jiān)控功能。

YOLOv8的RKNN模型

我們使用YOLOv8框架進行目標的檢測。YOLOv8（You Only Look Once version 8）是一個深度學(xué)習(xí)框架，用于實現(xiàn)實時對象檢測。YOLOv8 繼承了前代模型的優(yōu)點，并在此基礎(chǔ)上進行了多項改進，包括更復(fù)雜的網(wǎng)絡(luò)架構(gòu)、更優(yōu)化的訓(xùn)練流程和更強大的特征提取能力。

瑞芯微在其Github倉庫中提供了大量已經(jīng)優(yōu)化和測試驗證過的模型，其中就包括YOLOv8：

https://github.com/airockchip/rknn_model

_zoo/blob/main/examples/yolov8/

README.md。

瑞芯微提供的模型是一個優(yōu)化后的模型，與官方原始模型不同。以yolov8n.onnx為例來展示它們之間的差異。

1、它們輸出信息的對比如下。左邊是官方原始模型的輸出，右邊是優(yōu)化后的模型輸出。如圖所示，原始模型的輸出被分為三個部分。例如，在輸出集合（[1,64,80,80],[1,80,80,80],[1,1,80,80]）中，[1,64,80,80]是邊界框的坐標，[1,80,80,80]是對應(yīng)于80個類別的邊界框置信度，而[1,1,80,80]是80個類別置信度的總和。

請注意，這里的解釋是基于常見目標檢測模型（如YOLO系列）的輸出格式，具體細節(jié)（如維度含義）可能因模型版本或?qū)崿F(xiàn)而異。但一般來說，上述解釋提供了關(guān)于YOLO類模型輸出結(jié)構(gòu)的通用理解。

2、以輸出集合（[1,64,80,80],[1,80,80,80],[1,1,80,80]）為例，瑞芯微在模型中移除了兩個卷積節(jié)點之后的子圖，保留了這兩個卷積的輸出（[1,64,80,80],[1,80,80,80]），并增加了一個reducesum+clip分支來計算80個類別置信度的總和（[1,1,80,80]）。

這里的“reducesum”操作通常用于對某個維度上的元素進行求和，而“clip”操作用于限制求和結(jié)果的取值范圍，以避免數(shù)值溢出或保持數(shù)值在特定范圍內(nèi)。

瑞芯微提供的YOLOv8模型的訓(xùn)練方法和官方的完全相同，只是在導(dǎo)出的時候做了一些修改，有關(guān)導(dǎo)出 RKNPU 適配模型說明請見：https://github.com/airockchip/ultralytics_

yolov8/blob/main/RKOPT_README.zh-CN.md。

程序的部署

YOLOv8程序在RK3588上的部署，我們參考了風(fēng)箏2100的博文https://blog.csdn.net/weixin_42206548

/article/details/138507491，在此表示感謝。

和RKNN_model_zoo 中的examples 提供的YOLOv8 的相關(guān) demo，該程序有兩點改進：

1.借助rknn-multi-threaded使用多線程推理提高NPU的占用率，參考：

https://blog.csdn.net/2401_84011132/

article/details/137803348

2.優(yōu)化了Python 后處理部分去除PyTorch 依賴，將后處理耗時從幾百毫秒降低到了幾十毫秒。

在 main.py 文件中，可以修改模型、線程數(shù)，還可以修改成實時推理攝像頭。

1.# 推理視頻文件

2.cap = cv2.VideoCapture('./720p60hz.mp4')

3.

4.# 推理實時攝像頭

5.cap = cv2.VideoCapture(0)

6.cap.set(cv2.CAP_PROP_FRAME_

WIDTH,640)cap.set(cv2.CAP_PROP_

FRAME_HEIGHT,480)

程序啟動后會顯示RNKK的相關(guān)信息：

1.python3 main.py

2.I RKNN: [1932.433] RKNN Runtime Information, librknnrt version: 2.0.0b0 (35a6907d79@2024-03-24T1014)

3.I RKNN: [1932.433] RKNN Driver Information, version: 0.9.3

4.I RKNN: [1932.434] RKNN Model Information, version: 6, toolkit version: 1.6.0+81f21f4d(compiler version: 1.6.0 (585b3edcf@2023-12-11T0756)), target: RKNPU v2, target platform: rk3588, framework name: ONNX, framework layout: NCHW, model inference type: static_shape

5./rknnModel/yolov8s.rknn done

6.I RKNN: [1932.644] RKNN Runtime Information, librknnrt version: 2.0.0b0 (35a6907d79@2024-03-24T1014)

7.I RKNN: [1932.644] RKNN Driver Information, version: 0.9.3

8.I RKNN: [1932.644] RKNN Model Information, version: 6, toolkit version: 1.6.0+81f21f4d(compiler version: 1.6.0 (585b3edcf@2023-12-11T0756)), target: RKNPU v2, target platform: rk3588, framework name: ONNX, framework layout: NCHW, model inference type: static_shape

9./rknnModel/yolov8s.rknn done

10.I RKNN: [1932.770] RKNN Runtime Information, librknnrt version: 2.0.0b0 (35a6907d79@2024-03-24T1014)

11.I RKNN: [1932.770] RKNN Driver Information, version: 0.9.3

12.I RKNN: [1932.771] RKNN Model Information, version: 6, toolkit version: 1.6.0+81f21f4d(compiler version: 1.6.0 (585b3edcf@2023-12-11T0756)), target: RKNPU v2, target platform: rk3588, framework name: ONNX, framework layout: NCHW, model inference type: static_shape

13../rknnModel/yolov8s.rknn done

流量統(tǒng)計

我們在每幀推理結(jié)束后，統(tǒng)計其中"car"、"motorbike "、 "bus"和"truck"對象的數(shù)量，作為流量統(tǒng)計的依據(jù)。

為了避免上傳到云服務(wù)器的數(shù)據(jù)過多，每30幀上傳一次數(shù)據(jù)。我的程序已經(jīng)可以在開發(fā)板上實時運行，并顯示車輛檢測結(jié)果。

完成了車輛檢測工作，我們將數(shù)據(jù)通過MQTT協(xié)議上傳到華為IoTDA服務(wù)器。

華為IoTDA建立產(chǎn)品和設(shè)備

華為IoTDA的用法前面已經(jīng)介紹了，這里就簡單描述一下步驟。先在華為云中創(chuàng)建一個產(chǎn)品。

然后在該產(chǎn)品的物模型中，添加5個屬性，即合計、轎車、卡車、摩托車和客車。

再在產(chǎn)品中創(chuàng)建一個設(shè)備用于MQTT接入。

Python程序編寫MQTT客戶端

pip install paho.mqtt程序中使用了paho.mqtt庫，所以先需要安裝該庫文件：

1.pip install paho.mqtt

每30幀發(fā)送一次數(shù)據(jù)到服務(wù)器，發(fā)送數(shù)據(jù)的函數(shù)定義如下：

運行程序，從華為云的控制臺，我們就可以看到上傳的數(shù)據(jù)了。

程序下載

完整的程序可以從這里下載：*附件：hzhy-ai300g.zip

說明：其中MQTT的參數(shù)被用XXXX代替了，需要用真實的華為云接入?yún)?shù)代替。測試用的720p60hz.mp4和RKNN模型文件太大了，需要的同學(xué)請到publish / rknn3588-yolov8 · GitLab (bwbot.org)下載。

至此，我們這次評測就完全結(jié)束了，歡迎大家留言提出寶貴的意見。

目前電子發(fā)燒友上產(chǎn)品使用測評正在進行中，歡迎大家積極反饋，正是有了你們的支持，我們才能不斷進步，為用戶帶來更加優(yōu)質(zhì)的智能產(chǎn)品體驗。