简介
- 使用多线程异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数(rk3568之类修改后应该也能使用, 但是作者本人并没有rk3568开发板......)
- 此分支使用模型yolov5s_relu_tk2_RK3588_i8.rknn, 将yolov5s模型的激活函数silu修改为为relu,在损失一点精度的情况下获得较大性能提升,详情见于rknn_model_zoo
- 此项目的c++实现
更新说明
- 无
使用说明
演示
- 将仓库拉取至本地, 并将Releases中的演示视频放于项目根目录下, 运行main.py查看演示示例
- 切换至root用户运行performance.sh可以进行定频操作(约等于开启性能模式)
- 运行rkcat.sh可以查看当前温度与NPU占用
部署应用
- 修改main.py下的modelPath为你自己的模型所在路径
- 修改main.py下的cap为你想要运行的视频/摄像头
- 修改main.py下的TPEs为你想要的线程数, 具体可参考下表
- 修改func.py为你自己需要的推理函数, 具体可查看myFunc函数
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
- 测试模型为yolov5s_relu_tk2_RK3588_i8.rknn
- 测试视频见于Releases
| 模型\线程数 | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| yolov5s | 27.4491 | 49.0747 | 65.3673 | 63.3204 | 71.8407 | 72.0590 |
补充
- 多线程下CPU, NPU占用较高, 核心温度相应增高, 请做好散热。推荐开1, 2, 3线程, 实测小铜片散热下运行三分钟温度约为56°, 64°, 69°