zhangpeng/PAL

History

zhangpeng 31940162fc HDMI输入直至Yolov5识别全流程代码		2025-04-28 14:48:28 +08:00
..
rknnModel	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
.gitignore	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
func.py	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
LICENSE	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
main_hdmi_in.py	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
main.py	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
performance.sh	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
README.md	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
rkcat.sh	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00
rknnpool.py	HDMI输入直至Yolov5识别全流程代码	2025-04-28 14:48:28 +08:00

README.md

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°

Acknowledgements