本教程以飞凌嵌入式RK3399平台为例，讲述主动模式和被动模式的人工智能计算棒部署流程。

(资料图片仅供参考)

硬 件 平 台

环境准备：飞凌OK3399-C开发板，RK1808人工智能计算棒（固件版本为V1.3.4），usb摄像头，摄像头和计算棒都插入OK3399-C开发板。

使用lsusb命令查看，如下（红框部分2207:0018即为RK1808人工智能计算棒）：

输入命令如下：

注意：因为被动模式需要安装的库文件较多，占用空间较大，所以需要扩大rootfs分区，修改param/parameter.txt文件0x00f00000@0x0005a000(rootfs) //0x f00000个块（512字节）=7.5G

改为

0x01800000@0x0005a000(rootfs) //0x1800000个块=12G

修改后进入系统，查看分区大小：

概 述

AI计算区分为四个不同的象限，分别是云端训练、云端推理，边缘训练以及边缘推理。其中终端推理，几乎都集中在Arm架构生态上。AI神经网络计算目前可以通过CPU、GPU、DSP、NPU、FAGA等完成，但不同的硬件特性会导致效率和功耗的不同。其中NPU——嵌入式神经网络处理器采用“数据驱动并行计算”的架构，最擅长的就是视频、图像类的海量多媒体数据的处理，并且相比GPU等具有更低的功耗。我司推出OK3399-CDesktop+RK1808（含3Tops算力NPU）的组合，在满足AI边缘计算的情况下，使得功耗大幅降低。

RK1808人工智能计算棒是一个专用AI应用模块，拥有主动模式和被动模式两种模式。

主动模式下：RK1808人工智能计算棒作为主动设备，RK1808人工智能计算棒内部默认已安装rknn-toolkit和rknn-api，上位机（也称宿主机）无需安装rknn-toolkit和rknn-api，模型及算法固化在RK1808人工智能计算棒中，OK3399-C通过USB口向计算棒输入数据（例如图片和视频流），RK1808人工智能计算棒自动完成数据的前处理、推理、后处理，然后把处理结果通过USB口输出给OK3399-C。

为了方便用户通过USB口传输数据，RK1808人工智能计算棒会把USB口虚拟成网卡等标准设备，用户只需通过标准设备接口的操作（例如网络的socket编程）即可完成对RK1808人工智能计算棒数据的输入和输出。

被动模式下：OK3399-C通过RKNN-Toolkit将模型及前处理后的数据传输给RK1808人工智能计算棒，RK1808人工智能计算棒完成推理，并把结果返回OK3399-C，OK3399-C进行后处理以及显示等操作。

主 动 模 式

细节如下：

1. RK1808计算棒插入上位机后，会被虚拟成网卡设备;

2. 上位机OK3399-C进行虚拟网卡配置，配置IP为192.168.180.1，保证上位机和1808中间的网络连接正常；

3. 计算棒默认IP为192.168.180.8，账号密码皆为toybrick，用户可以SSH登录计算棒，拷贝模型和server服务程序到计算棒；

4. 计算棒端运行server服务程序，用来接收上位机的连接请求，并调用RKNN进行处理，再返回结果；

5. 上位机运行client程序，连接server成功之后，发送推理请求，从1808端获取返回结果。

1-计算棒网络配置与网络共享配置

1、计算棒网络配置

上位机使用OK3399-C Forlinx Desktop系统，点击右下角网络按钮选择弹出窗口中的“EditConnections...”选项：

选择计算棒usb网卡生成的有线网络节点：

配置该节点为手动模式，设置IP：192.168.180.1，子网掩码：255.255.255.0，并保存：

终端输入ifconfig指令查看网络节点配置如下，可见usb网卡配置完成：

ping一下1808计算棒网络192.168.180.8，如下网络可以连通：

使用ssh登录1808计算棒，用户名和密码默认都为toybrick，如下登陆成功：

2、网络共享配置

运行ifconfig，可以看到eth0、wlan0等宿主机网卡，我们用于访问外网，enx10dcb69f022c为USB网卡（RK1808人工智能计算棒虚拟网卡）。不同的系统网卡名称可能不一样，以实际网卡名称为准。

首先配置宿主机网络，使宿主机可以连通以太网，这里我们使用wlan0节点来上网，具体配置不再赘述。

命令行执行如下命令，其中enx10dcb69f022c需要修改成用户本地实际值；正常情况只要设置一次即可，若拔插设备发现网卡名称改变了或者用户手动删除该网卡，则需要重新设置。

配置NAT功能，执行如下命令，其中eno1需要修改成用户本地实际值；关机失效，所以每次电脑重启都要重新设置。

注意：以自己开发板联网的实际端口为准，例：eth0

iptables命令部分释义如下：

MASQUERAD，地址伪装，算是snat中的一种特例，可以实现自动化的snat

SNAT是source networkaddress translation的缩写，即源地址目标转换。比如，多个PC机使用ADSL路由器共享上网，每个PC机都配置了内网IP，PC机访问外部网络的时候，路由器将数据包的报头中的源地址替换成路由器的ip，当外部网络的服务器比如网站web服务器接到访问请求的时候，他的日志记录下来的是路由器的ip地址，而不是pc机的内网ip，这是因为，这个服务器收到的数据包的报头里边的“源地址”，已经被替换了，所以叫做SNAT，基于源地址的地址转换。

DNAT是destinationnet workaddress translation的缩写，即目标网络地址转换，典型的应用是，有个web服务器放在内网配置内网ip，前端有个防火墙配置公网ip，互联网上的访问者使用公网ip来访问这个网站，当访问的时候，客户端发出一个数据包，这个数据包的报头里边，目标地址写的是防火墙的公网ip，防火墙会把这个数据包的报头改写一次，将目标地址改写成web服务器的内网ip，然后再把这个数据包发送到内网的web服务器上，这样，数据包就穿透了防火墙，并从公网ip变成了一个对内网地址的访问了，即DNAT，基于目标的网络地址转换。

2、主动模式Mobilenet-ssd测试

01 环境要求

1）参考“计算棒网络配置与网络共享配置”章节，完成RK1808人工智能计算棒网络配置(RNDIS)以及网络共享配置。

2）宿主机需要插入USB摄像头，并连接显示器。

02 部署计算棒程序

SSH方式

该方式通过ssh连接到RK1808人工智能计算棒，运行相应程序。

计算棒系统用户名：toybrick 密码：toybrick

计算棒系统用户名：root 密码：toybrick

建议用toybrick用户登录

1）使用官方链接下载Mobilenet-SSD主动模式demo软件包，解压，链接如下：

https://eyun.baidu.com/s/3htJNFwS

2）拷贝解压目录中的1808目录至计算棒

3）ssh进入计算棒

4）安装依赖包

5）编译

6）直接运行程序或设置程序为开机启动

•直接运行：

3、部署上位机程序（以OK3399-Cdesktop为例）

1）安装依赖包make/cmake/opencv

2）进入Mobilenet-SSD主动模式demo软件包中的host目录，修改host/ssd_demo.cpp，根据开发板实际情况修改打开的摄像头节点：

3）编译

4）计算棒程序运行起来后，运行上位机程序

效果如下：

3、主动模式yolov3测试

01环境要求

1）参考“计算棒网络配置与网络共享配置”章节，完成RK1808人工智能计算棒网络配置(RNDIS)以及网络共享配置。

2）OK3399-C开发板需要插入USB摄像头，并连接显示器。

02部署步骤

计算棒端：

1）使用官方链接下载示例源码master_yolov3.zip，解压，链接如下：

https://eyun.baidu.com/s/3ekyvJS#sharelink/path=%2F

2）拷贝解压目录中的1808目录至计算棒：

scp -r 1808/ toybrick@192.168.180.8:/home/toybrick/

3）通过ssh连接到RK1808人工智能计算棒，运行yolov3master端程序

计算棒系统用户名toybrick 密码toybrick

计算棒系统用户名root 密码toybrick

建议用toybrick用户登录，安装python依赖包，root用户可能存在未知风险。

进入计算棒：

ssh toybrick@192.168.180.8

4）安装依赖包：

sudodnf install python3-opencv -y

5）进入刚才拷贝的1808目录，运行1808端程序。

宿主机端：

1）安装依赖库

pip3 install --user numpy

sudo apt-get install -y python3-opencv

2）运行host端程序

3、效果如下：

被 动 模 式

被动模式开发流程图如下：

被动模式整体数据流程图如下：

01

被动模式Mobilenet-ssd测试

1、使用官方链接下载被动模式Mobilenet-ssd源码

http://t.rock-chips.com/wiki.php?mod=view&id=71

或者使用用户资料中提供的源码，目录为：用户资料\linux\源码\被动模式\Mobilenet-ssd\

2、安装编译器、OpenCV、rknn-api

sudo apt-get install cmake gcc g++ //安装编译器

验证编译器已安装成功：

sudo apt-get install libopencv-dev //安装opencv库文件

rknn-api 安装脚本在 slave_mobilenet_ssd 压缩包中

cd slave_mobilenet_ssd/install_rknn

sudo ./install_rknn_api.sh //安装rknn_api和通信程序

执行脚本后，下载了rknn_api和通信程序：

3、代码编译运行

1）cd slave_mobilenet_ssd

修改ssd_demo.cpp文件中main函数中如下语句，根据开发板实际情况修改打开的摄像头节点

ret= test.run(VIDEO_NODE, post_process, &data);

改为：

ret= test.run("/dev/video10", post_process, &data);

2）mkdir build

3）cd build

4）cmake..

5）make

编译结果生成ssd_demo可执行程序：

6）npu_transfer_proxy& //启动NPU守护进程，通信代理服务。该程序由原厂提供。

7）在PC上插入USB摄像头

8）在PC界面终端上执行./ssd_demo，将会在屏幕上显示SSD图像结果

9）按"ESC"键退出运行

02

被动模式Rock-X测试

1、使用原厂链接下载Rock-X SDK并解压，链接如下：

https://eyun.baidu.com/s/3o9xqPPC#sharelink/path=%2F

或者使用用户资料中提供的源码，目录为：用户资料\linux\源码\被动模式\Rock-X\

2、安装编译器

sudo apt-get install cmake gcc g++

3、插入计算棒，等待上位机识别到计算棒

4、上位机运行rock-x依赖rknn_api, npu_transfer_proxy

用户可以先按照本文档第三章“被动模式Mobilenet-ssd测试”安装rknn_api；用户也可以通过原厂提供的链接地址直接下载rknn_api, npu_transfer_proxy，如下：

http://repo.rock-chips.com/rk1808/rknn-api/

http://repo.rock-chips.com/rk1808/npu_transfer_proxy/

5、运行npu_transfer_proxy和计算棒进行通信

npu_transfer_proxy &

6、编译测试用demo

cd demo/command_line_demo

./build-linux-rk3399pro-on-device.sh

此时会编译得到rock-x中demo目录下的各用例并存放在install目录下

7、测试生成的用例中的rockx_face_landmark_demo

cd install/rockx_linux_rk3399pro/rockx_face_landmark_demo/

export LD_LIBRARY_PATH=../lib

./rockx_face_landmark face4.jpg 68 //人脸特征点定位（68点）

8、测试效果如下：

9、Rock-X command_line_demo提供的例程

rockx_carplate_demo 车牌识别

rockx_face_attribute_demo 人脸属性识别（性别、年龄）

rockx_face_detection_demo 人脸检测

rockx_face_landmark_demo 人脸特征点定位

rockx_head_detection_demo 人头检测

rockx_object_detection_demo 物体检测

rockx_object_track_demo 物体运动检测

rockx_pose_body_demo 人体姿态检测

rockx_pose_finger_demo 手掌节点姿态检测

rockx_face_liveness_demo 活体检测

rockx_face_recognition_demo 人脸识别对比

3、被动模式yolov3测试

1、安装python3.5，ubuntu18.04默认python3.6，该版本部分库没有资源无法安装，所以更换为python3.5

sudo apt-get update

sudo apt-get install software-properties-common

sudo add-apt-repository ppa:deadsnakes/ppa

sudo apt-get update

sudo apt-get install python3.5-dev

sudo apt-get --reinstall install python3.5-minimal

sudo mv /usr/bin/python3 /usr/bin/python3-old

sudo ln -s /usr/bin/python3.5 /usr/bin/python3

sudo update-alternatives --install /usr/bin/python python/usr/bin/python3.5 300

验证python3.5是否安装成功并且python3已经修改为默认使用3.5：

安装新版pip：

wget https://bootstrap.pypa.io/get-pip.py

sudo python3 get-pip.py

sudo pip3 install setuptools --upgrade

sudo ln -s /usr/local/bin/pip3 /usr/bin/pip3

验证pip安装成功且默认使用python3.5的pip工具：

2、安装依赖库

sudo apt-get install cmake gcc g++ libprotobuf-dev protobuf-compiler

sudo apt-get install liblapack-dev libjpeg-dev zlib1g-dev

sudo apt-get install python3-dev python3-pip python3-scipy

sudo apt-get install python3-opencv python3-numpy python3-lmd bpython3-h5py

pip3 install wheel setuptools

sudo apt-get build-dep python3-h5py && pip3 install h5py

pip3 install --user scipy

pip3 install --user grpcio==1.26.0

pip3 install --user onnx

pip3 uninstall pillow

pip3 install --user pillow==4.2.1

pip3 uninstall h5py

pip3 install --user h5py==2.8.0rc1

注意部分安装包因为资源问题下载可能会因超时而无法下载，可以使用我司提供的现成的安装包。

查看上述指令安装的包是否安装到python3.5目录下：

3、安装TensorFlow

wget http://repo.rock-chips.com/python/tensorflow-1.11.0-cp35-none-linux_aarch64.whl

pip3 install --user tensorflow-1.11.0-cp35-none-linux_aarch64.whl

TensorFlow也可以到/home/forlinx/.local/lib/python3.5/site-packages/目录下查看安装情况

4、Python3.5安装OpenCV3

1）下载opencv和opencv_contrib，这两部分代码下载也比较困难，建议使用我司用户资料中提供的源码包，目录为：用户资料\linux\源码\被动模式\yolov3demo\安装包\：

cd~

git clone https://github.com/opencv/opencv.git

git clone https://github.com/opencv/opencv_contrib.git

2）编译opencv源码

cd~/opencv

mkdir build

cd build

cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -DWITH_TBB=ON -D BUILD_NEW_PYTHON_SUPPORT=ON -D WITH_V4L=ON -DINSTALL_C_EXAMPLES=ON -D INSTALL_PYTHON_EXAMPLES=ON -DBUILD_EXAMPLES=ON -D WITH_QT=ON -D WITH_GTK=ON -D WITH_OPENGL=ON ..

make

编译结果如下：

3）安装OpenCV

sudo make install

部分安装信息：

OpenCV的安装文件也可以在系统中找到，例如：

/usr/local/lib/libopencv_core.so.4.3.0

/usr/local/include/opencv4/opencv2/cvconfig.h

编译时会有报错解决方法可以参考如下链接：

https://stackoverflow.com/questions/28776053/opencv-gtk2-x-error

http://www.luyixian.cn/news_show_316237.aspx

或者可以使用我司提供的现成的OpenCV的源码。

5、安装rknn-toolkit

wget http://repo.rock-chips.com/python/tensorflow-1.11.0-cp35-none-linux_aarch64.whl

pip3 --default-timeout=100000 install --user rknn_toolkit-1.1.0-cp35-cp35m-linux_aarch64.whl

rknn_toolkit也可以到/home/forlinx/.local/lib/python3.5/site-packages/目录下查看安装情况，可以看到对应安装目录：

6、下载yolov3 demo程序测试运行

wget -r -np -nc -nH http://repo.rock-chips.com/rk1808/yolov3/

cd rk1808/yolov3/

修改rknn_camera_tiny_multiProcess.py中打开的摄像头节点：

video= cv2.VideoCapture(0)

改为：

video= cv2.VideoCapture("/dev/video10")

注意：摄像头节点需要依据自己开发板的实际情况来修改

命令行执行：

python3.5 rknn_camera_tiny_multiProcess.py

运行结果如下：

至此，OK3399-C开发板+RK1808人工智能计算棒在主动模式和被动模式下的测评就告一段落。

关键词：