- RK提供了两个模型，mobilenet和YOLO5。
- mobilenet模型相对小，使用起来不是很明显
- yolo5模型大一些，可以对88种目标进行检测，提供检测的结果包括类别、包围框坐标、可信度等信息。基于rknn_yolov5_demo进行分析。
- rknn_yolov5_demo基本信息
- 代码位置：hardware/rockchip/rknpu2/examples/rknn_yolov5_demo
- 编译脚本
- build-android_RK3588.sh
- 使用cmake编译
- CMakeLists.txt
- 编译源文件
头文件在include目录，源代码有两.cc文件92 # rknn_yolov5_demo 93 include_directories( ${CMAKE_SOURCE_DIR}/include) 94 95 add_executable(rknn_yolov5_demo 96 src/main.cc 97 src/postprocess.cc 98 ) 99 100 target_link_libraries(rknn_yolov5_demo 101 ${RKNN_RT_LIB} 102 ${RGA_LIB} 103 ${OpenCV_LIBS} 104 ) - 依赖库有rknn_rt、rga、opencv
26 # rknn api 27 if(TARGET_SOC STREQUAL "rk356x") 28 set(RKNN_API_PATH ${CMAKE_SOURCE_DIR}/../../runtime/RK356X/${CMAKE_SYSTEM_NAME}/librknn_api) 29 elseif(TARGET_SOC STREQUAL "rk3588") 30 set(RKNN_API_PATH ${CMAKE_SOURCE_DIR}/../../runtime/RK3588/${CMAKE_SYSTEM_NAME}/librknn_api) 31 else() 32 message(FATAL_ERROR "TARGET_SOC is not set, ref value: rk356x or rk3588 or rv110x") 33 endif() 34 35 if (CMAKE_SYSTEM_NAME STREQUAL "Android") 36 set(RKNN_RT_LIB ${RKNN_API_PATH}/${CMAKE_ANDROID_ARCH_ABI}/librknnrt.so) 37 else() 38 set(RKNN_RT_LIB ${RKNN_API_PATH}/${LIB_ARCH}/librknnrt.so) 39 endif() 40 include_directories(${RKNN_API_PATH}/include) 41 include_directories(${CMAKE_SOURCE_DIR}/../3rdparty) 42 43 # opencv 44 if (CMAKE_SYSTEM_NAME STREQUAL "Android") 45 set(OpenCV_DIR ${CMAKE_SOURCE_DIR}/../3rdparty/opencv/OpenCV-android-sdk/sdk/native/jni/abi-${CMAKE_ANDROID_ARCH_ABI}) 46 else() 47 if(LIB_ARCH STREQUAL "armhf") 48 set(OpenCV_DIR ${CMAKE_SOURCE_DIR}/../3rdparty/opencv/opencv-linux-armhf/share/OpenCV) 49 else() 50 set(OpenCV_DIR ${CMAKE_SOURCE_DIR}/../3rdparty/opencv/opencv-linux-aarch64/share/OpenCV) 51 endif() 52 endif() 53 find_package(OpenCV REQUIRED) 54 55 #rga 56 if(TARGET_SOC STREQUAL "rk356x") 57 set(RGA_PATH ${CMAKE_SOURCE_DIR}/../3rdparty/rga/RK356X) 58 elseif(TARGET_SOC STREQUAL "rk3588") 59 set(RGA_PATH ${CMAKE_SOURCE_DIR}/../3rdparty/rga/RK3588) 60 else() 61 message(FATAL_ERROR "TARGET_SOC is not set, ref value: rk356x or rk3588") 62 endif() 63 if (CMAKE_SYSTEM_NAME STREQUAL "Android") 64 set(RGA_LIB ${RGA_PATH}/lib/Android/${CMAKE_ANDROID_ARCH_ABI}/librga.so) 65 else() 66 set(RGA_LIB ${RGA_PATH}/lib/Linux//${LIB_ARCH}/librga.so) 67 endif() 68 include_directories( ${RGA_PATH}/include)- rknn_rt：rknn的runtime环境，有这个库yolo5就能运行起来
- rga：图像缩放和颜色空间转换，例如YUV到RGB
- opencv：支持图像压缩算法，比如jpg、png等等，支持图像文件载入比如bmp等等
- rga和opencv提供的是对yolo5输入和输出图像的支持，并非必须
- 编译源文件
- build-android_RK3588.sh
- yolo5应用移植
-
目标
移植yolo5应用，从camera采集图像，用yolo5对图像进行检测，得到图像中"人"类别的信息 -
移植分析
前面分析过，只有两个.cc文件，头文件在include中寻找，根据需要添加- main.cc
需要规整为一个C++的类 - postprocess.cc
作为方法实现文件
- main.cc
-
移植代码
确定使用到的就是箭头指向的文件
-
创建class AiAlgoYolo5
class AiAlgoYolo5 : public webrtc::test::VideoFrameSubscriber { public: AiAlgoYolo5(int source_id); virtual ~AiAlgoYolo5(); int start(int source_id); void stop(); void dump_tensor_attr(rknn_tensor_attr *attr); uint8_t *load_data(FILE *fp, size_t ofst, size_t sz); uint8_t *load_model(const char *filename, int *model_size); int saveFloat(const char *file_name, float *output, int element_size); virtual void OnFrame(const webrtc::VideoFrame &) override; virtual void OnFrame(BOOAT::SharedBufferPtr &videoFrame) override; virtual void CleanFrame() override; int DealOneFrame(); private: std::shared_ptr<std::thread> _th{nullptr}; ThreadQueue<webrtc::VideoFrame> _qu; ThreadQueue<BOOAT::SharedBufferPtr> _bufferQ; bool _is_stop{ true }; int _source_id; int _width; int _height; unsigned char *model_data; rknn_context ctx; rknn_input_output_num io_num; int yolo_input_channel; int yolo_input_width; int yolo_input_height; rknn_input inputs[YOLO5_INPUT_NUMBER]; rknn_output outputs[YOLO5_OUTPUT_NUMBER]; rknn_tensor_attr input_attrs[YOLO5_INPUT_NUMBER]; rknn_tensor_attr output_attrs[YOLO5_OUTPUT_NUMBER]; void *resize_buf; private: uint64_t _frame_num; };- start()准备运行环境 - DealOneFrame()采集一张camera图像，完成一帧检测工作，可以多次检测 - stop()退出运行环境- start()实现
int AiAlgoYolo5::start(int source_id) { int ret = 0; LOGD("===>>>IN \t[%s] \r\n", __FUNCTION__); LOGD("AiAlgoYolo5::start(): _source_id = [ %d ].\r\n", _source_id); /* Create the neural network */ LOGD("Loading mode...\n"); char model_name[80] = "/vendor/bin/yolo5/yolov5s-640-640.rknn"; int model_data_size = 0; model_data = load_model(model_name, &model_data_size); ret = rknn_init(&ctx, model_data, model_data_size, 0, NULL); if (ret < 0) { LOGE("AiAlgoYolo5 start rknn_init error ret=%d\n", ret); return -1; } rknn_sdk_version version; ret = rknn_query(ctx, RKNN_QUERY_SDK_VERSION, &version, sizeof(rknn_sdk_version)); if (ret < 0) { LOGE("AiAlgoYolo5 start rknn_init error ret=%d\n", ret); return -1; } LOGD("AiAlgoYolo5 start sdk version: %s driver version: %s\n", version.api_version, version.drv_version); ret = rknn_query(ctx, RKNN_QUERY_IN_OUT_NUM, &io_num, sizeof(io_num)); if (ret < 0) { LOGE("AiAlgoYolo5 start rknn_init error ret=%d\n", ret); return -1; } if ((io_num.n_input != YOLO5_INPUT_NUMBER) || (io_num.n_output != YOLO5_OUTPUT_NUMBER)) { LOGE("AiAlgoYolo5 start model error input num: %d, output num: %d\n", io_num.n_input, io_num.n_output); } else { LOGD("AiAlgoYolo5 start model input num: %d, output num: %d\n", io_num.n_input, io_num.n_output); } memset(input_attrs, 0, sizeof(input_attrs)); for (int i = 0; i < io_num.n_input; i++) { input_attrs[i].index = i; ret = rknn_query(ctx, RKNN_QUERY_INPUT_ATTR, &(input_attrs[i]), sizeof(rknn_tensor_attr)); if (ret < 0) { LOGE("AiAlgoYolo5 start rknn_init error ret=%d\n", ret); return -1; } dump_tensor_attr(&(input_attrs[i])); } memset(output_attrs, 0, sizeof(output_attrs)); for (int i = 0; i < io_num.n_output; i++) { output_attrs[i].index = i; ret = rknn_query(ctx, RKNN_QUERY_OUTPUT_ATTR, &(output_attrs[i]), sizeof(rknn_tensor_attr)); dump_tensor_attr(&(output_attrs[i])); } if (input_attrs[0].fmt == RKNN_TENSOR_NCHW) { LOGD("AiAlgoYolo5 start model is NCHW input fmt\n"); yolo_input_channel = input_attrs[0].dims[1]; yolo_input_height = input_attrs[0].dims[2]; yolo_input_width = input_attrs[0].dims[3]; } else { LOGD("AiAlgoYolo5 start model is NHWC input fmt\n"); yolo_input_height = input_attrs[0].dims[1]; yolo_input_width = input_attrs[0].dims[2]; yolo_input_channel = input_attrs[0].dims[3]; } LOGD("AiAlgoYolo5 start model input height=%d, width=%d, channel=%d\n", yolo_input_height, yolo_input_width, yolo_input_channel); memset(inputs, 0, sizeof(inputs)); inputs[0].index = 0; inputs[0].type = RKNN_TENSOR_UINT8; inputs[0].size = yolo_input_width * yolo_input_height * yolo_input_channel; inputs[0].fmt = RKNN_TENSOR_NHWC; inputs[0].pass_through = 0; resize_buf = malloc(640 * 640 * 3); LOGD("===<<<OUT \t[%s] \r\n", __FUNCTION__); return ret; } ``` rknn_init，加载模型yolov5s-640-640.rknn rknn_query，获取模型中参数信息，进行相应的准备工作，比如input，output。 - stop()实现 ``` void AiAlgoYolo5::stop() { LOGD("===>>>IN \t[%s] \r\n", __FUNCTION__); deinitPostProcess(); // release rknn_destroy(ctx); if (model_data) { free(model_data); model_data = nullptr; } if (resize_buf) { free(resize_buf); resize_buf = nullptr; } LOGD("===<<<OUT \t[%s] \r\n", __FUNCTION__); } ``` rknn_destroy，环境退出，资源释放 - DealOneFrame()实现int AiAlgoYolo5::DealOneFrame()
{
uint64_t start_time, stop_time, scal_start_time, scal_stop_time;
char text[256];
bool flag = false;
int ret = 0;const float nms_threshold = NMS_THRESH; const float box_conf_threshold = BOX_THRESH; rga_buffer_t src; rga_buffer_t dst; im_rect src_rect; im_rect dst_rect; memset(&src_rect, 0, sizeof(src_rect)); memset(&dst_rect, 0, sizeof(dst_rect)); memset(&src, 0, sizeof(src)); memset(&dst, 0, sizeof(dst)); // 这一段是从camera获取nv12实时图像的代码，依赖图像获取class，开始 _bufferQ.clear(); BOOAT::SharedBufferPtr frame = _bufferQ.pop(flag, std::chrono::milliseconds(1000));//ms //LOGD("AiAlgoYolo5::DealOneFrame _source_id %d flag %d", _source_id, flag); if (flag) { MP::VideoBufferParam *pBufInfo = static_cast<MP::VideoBufferParam *>(frame->getParam()); uint8_t *nv12Data = pBufInfo->yuvPtr; //LOGD("AiAlgoYolo5::DealOneFrame _source_id %d [%d %d] data %p", _source_id, pBufInfo->width, pBufInfo->height, nv12Data); _width = pBufInfo->width; _height = pBufInfo->height; // 这一段是从camera获取nv12实时图像的代码，依赖图像获取class，结束 // 这一段是从camera获取到的nv12图像缩放到640x640的RGB图像，用到了rga，结束 scal_start_time = AiGetTimeMs(); //LOGD("AiAlgoYolo5::DealOneFrame scal_start_time %ld", scal_start_time); if (_width != yolo_input_width || _height != yolo_input_height) { //LOGD("AiAlgoYolo5::DealOneFrame resize with RGA!\n"); if (resize_buf) { memset(resize_buf, 0x00, yolo_input_height * yolo_input_width * yolo_input_channel); } else { LOGE("AiAlgoYolo5::DealOneFrame %d, resize_buf check error!", __LINE__); return -1; } src = wrapbuffer_virtualaddr((void *)nv12Data, _width, _height, RK_FORMAT_YCbCr_420_SP); dst = wrapbuffer_virtualaddr((void *)resize_buf, yolo_input_width, yolo_input_height, RK_FORMAT_RGB_888); ret = imcheck(src, dst, src_rect, dst_rect); if (IM_STATUS_NOERROR != ret) { LOGE("AiAlgoYolo5::DealOneFrame %d, check error! %s", __LINE__, imStrError((IM_STATUS)ret)); return -1; } IM_STATUS STATUS = imresize(src, dst); inputs[0].buf = resize_buf; } else { inputs[0].buf = (void *)nv12Data; } scal_stop_time = AiGetTimeMs(); //LOGD("AiAlgoYolo5::DealOneFrame scal_stop_time %ld", scal_stop_time); LOGD("AiAlgoYolo5::DealOneFrame scal once run use %ld ms", (scal_stop_time - scal_start_time)); // 这一段是从camera获取到的nv12图像缩放到640x640的RGB图像，用到了rga库，结束 // 这一段是yolo运行检测，开始 start_time = AiGetTimeMs(); //LOGD("AiAlgoYolo5::DealOneFrame start_time %ld", start_time); rknn_inputs_set(ctx, io_num.n_input, inputs); memset(outputs, 0, sizeof(outputs)); for (int i = 0; i < io_num.n_output; i++) { outputs[i].want_float = 0; } ret = rknn_run(ctx, NULL); ret = rknn_outputs_get(ctx, io_num.n_output, outputs, NULL); stop_time = AiGetTimeMs(); //LOGD("AiAlgoYolo5::DealOneFrame stop_time %ld", stop_time); LOGD("AiAlgoYolo5::DealOneFrame once run use %ld ms", (stop_time - start_time)); // 这一段是yolo运行检测，结束 // 这一段对yolo检测结果分析，目前只关心person类别，开始 // post process float scale_w = (float)yolo_input_width / _width; float scale_h = (float)yolo_input_height / _height; detect_result_group_t detect_result_group; std::vector<float> out_scales; std::vector<int32_t> out_zps; for (int i = 0; i < io_num.n_output; ++i) { out_scales.push_back(output_attrs[i].scale); out_zps.push_back(output_attrs[i].zp); } post_process((int8_t *)outputs[0].buf, (int8_t *)outputs[1].buf, (int8_t *)outputs[2].buf, yolo_input_height, yolo_input_width, box_conf_threshold, nms_threshold, scale_w, scale_h, out_zps, out_scales, &detect_result_group); for (int i = 0; i < detect_result_group.count; i++) { detect_result_t *det_result = &(detect_result_group.results[i]); if (strcmp(det_result->name, "person") == 0) { sprintf(text, "%.1f%%", det_result->prop * 100); LOGD("AiAlgoYolo5::DealOneFrame %s @ (%d %d %d %d) %f\n", det_result->name, det_result->box.left, det_result->box.top, det_result->box.right, det_result->box.bottom, det_result->prop); } } } // 这一段对yolo检测结果分析，目前只关心person类别，结束 return 0;}
-
Android.bp实现
cc_library_static { name: "libAiAlgo", local_include_dirs: [ "api/", "base/", "base/media_base/", "base/log/include/", "modules/ai_algo/include/", ], include_dirs: [ "hardware/rockchip/librga/include/", "hardware/rockchip/librga/im2d_api/", ], srcs: [ "modules/ai_algo/src/ai_algo_yolo5.cpp", "modules/ai_algo/src/postprocess.cpp", ], shared_libs: [ "librga", "libyuv", "librknnrt", ], cflags: [ "-g", "-fexceptions", "-Wno-unused-variable", "-Wno-unused-function", "-Wno-unused-parameter", "-Wno-format", ], }
由于camera采集到的就是nv12图像，不需要图像的压缩算法，没有用到opencv库。图像的缩放，用了rga库，也可以用yuv库实现。
-
-
运行日志
同事配合，每次都能检测到他，只漏出身体一小部分也能行，效只漏出身体一小部分也能行，可以的：DealOneFrame person @ (996 3 2136 1329) 0.71133904-03 15:45:50.027 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:50.027 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame _source_id 1 [3840 2160] data 0x7367a42000 04-03 15:45:50.027 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_start_time 1712130350027 04-03 15:45:50.035 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_stop_time 1712130350035 04-03 15:45:50.035 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 8 ms 04-03 15:45:50.035 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame start_time 1712130350035 04-03 15:45:50.044 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:50.061 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame stop_time 1712130350061 04-03 15:45:50.061 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 26 ms 04-03 15:45:50.061 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:50.061 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame person @ (750 0 1650 1370) 0.356758 04-03 15:45:51.211 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:51.211 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame _source_id 1 [3840 2160] data 0x73708a4000 04-03 15:45:51.211 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_start_time 1712130351211 04-03 15:45:51.219 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_stop_time 1712130351219 04-03 15:45:51.219 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 8 ms 04-03 15:45:51.219 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame start_time 1712130351219 04-03 15:45:51.228 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:51.242 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame stop_time 1712130351242 04-03 15:45:51.242 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 23 ms 04-03 15:45:51.242 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame person @ (996 3 2136 1329) 0.711339 04-03 15:45:51.244 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:52.244 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame _source_id 1 [3840 2160] data 0x7372848000 04-03 15:45:52.244 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_start_time 1712130352244 04-03 15:45:52.253 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_stop_time 1712130352253 04-03 15:45:52.253 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 9 ms 04-03 15:45:52.253 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame start_time 1712130352253 04-03 15:45:52.261 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:52.277 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame stop_time 1712130352277 04-03 15:45:52.277 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 24 ms 04-03 15:45:52.277 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame person @ (2040 0 3012 1356) 0.641171 04-03 15:45:53.296 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:53.296 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame _source_id 1 [3840 2160] data 0x7363afa000 04-03 15:45:53.296 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_start_time 1712130353296 04-03 15:45:53.306 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal_stop_time 1712130353306 04-03 15:45:53.306 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-03 15:45:53.306 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame start_time 1712130353306 04-03 15:45:53.314 13755 13760 D RKCodecEngine: AiAlgoYolo5::OnFrame bufsid 1 sid 1, [3840 2160] 04-03 15:45:53.330 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame stop_time 1712130353330 04-03 15:45:53.330 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 24 ms 04-03 15:45:53.330 13755 13755 D RKCodecEngine: AiAlgoYolo5::DealOneFrame person @ (1524 13 2610 1373) 0.404886- 性能
采集图像的缩放，从4k到640x640用rga实现，耗时11ms04-02 19:14:24.590 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:24.613 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 23 ms 04-02 19:14:25.640 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:25.661 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 21 ms 04-02 19:14:26.673 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:26.697 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 24 ms 04-02 19:14:27.855 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:27.876 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 21 ms 04-02 19:14:28.888 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:28.909 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 21 ms 04-02 19:14:29.923 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:29.944 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 21 ms 04-02 19:14:30.955 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:30.985 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 30 ms 04-02 19:14:32.005 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:32.028 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 23 ms 04-02 19:14:33.054 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 9 ms 04-02 19:14:33.076 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms 04-02 19:14:34.089 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:34.111 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms 04-02 19:14:35.139 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:35.163 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 24 ms 04-02 19:14:36.187 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 9 ms 04-02 19:14:36.210 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms 04-02 19:14:37.238 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:37.262 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 23 ms 04-02 19:14:38.421 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:38.443 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms 04-02 19:14:39.454 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:39.476 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms 04-02 19:14:40.487 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 10 ms 04-02 19:14:40.511 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 24 ms 04-02 19:14:41.538 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 12 ms 04-02 19:14:41.562 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 24 ms 04-02 19:14:42.588 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:42.610 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms 04-02 19:14:43.621 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:43.643 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms 04-02 19:14:44.654 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame scal once run use 11 ms 04-02 19:14:44.676 24382 24382 D RKCodecEngine: AiAlgoYolo5::DealOneFrame once run use 22 ms
yolo5检测，22ms
能够做到30fps -
RK3588 NPU 研究（二）
news2025/2/27 2:30:51
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1571706.html
如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！相关文章
解决element-plus table组件 fixed=“right“(left)浮动后横向滚动文字穿透的问题
BUG
版本：element-plus 2.6.1
浏览器：360极速浏览器22.1 (Chromium内核)
组件：el-table组件
问题：在头部/尾部浮动加上斑马条纹后，横向滚动存在文字穿透的问题。具体如图： 白色背景行的文字，…
Prometheus+grafana环境搭建Nginx(docker+二进制两种方式安装)(六)
由于所有组件写一篇幅过长，所以每个组件分一篇方便查看，前五篇链接如下
Prometheusgrafana环境搭建方法及流程两种方式(docker和源码包)(一)-CSDN博客
Prometheusgrafana环境搭建rabbitmq(docker二进制两种方式安装)(二)-CSDN博客
Prometheusgrafana环…
骨架屏：提升用户体验的巧妙技巧
🤍 前端开发工程师、技术日更博主、已过CET6 🍨 阿珊和她的猫_CSDN博客专家、23年度博客之星前端领域TOP1 🕠 牛客高级专题作者、打造专栏《前端面试必备》 、《2024面试高频手撕题》 🍚 蓝桥云课签约作者、上架课程《Vue.js 和 E…
20240321-1-AB测试面试题
AB测试面试题 1. 介绍一下ABTest的步骤
ABtest就是为了测试和验证模型/项目的效果，在app/pc端设计出多个版本，在同一时间维度下，分别用组成相同/相似的群组去随机访问这些版本，记录下群组的用户体验数据和业务数据，最…
ObjectiveC-10-OOP面向对象程序设计-分类/类别
类别(Category)是OjectiveC的一个特性，主要目的是让开发者可以以模块的形式向类添加方法（扩展），创建标准化的方法列表供给其他人实现。 有些文档也会翻译成类别，其实是一个意思。 概述
语法说明
类别提供了一个简单的…
个人品牌打造IP孵化运营培训教程架构课件
【资料持续更新，以防走丢】
个人品牌打造IP孵化运营培训教程架构课件 部分资料预览 资料部分是网络整理，仅供学习参考。
个人品牌运营合集
（完整资料包含以下内容）目录
详细的个人IP运营方案： 1. 确定个人定位和…
0基础学习Mybatis系列数据库操作框架——自定义类型处理器
大纲 Java模型类定义类型处理器配置文件和类型绑定和字段绑定resultMap中绑定 Mapper代码测试类型对应关系表总结参考资料 我们有时候会在数据库中放入一个扩展字段，用于保存在表设计时尚未考虑到的、未来会加入的一些信息。这个字段我们一般使用字符串存储…
数学矩阵GCD和lCM（详解）
矩阵乘法
知阵乘法是《线性代数》中的基础内容，但在考察数学的算法题中也会出现。 本节我们学习基础的矩阵乘法规则。 每个矩阵会有一个行数和一个列数，只有当相乘的两个矩阵的左矩阵的列数等于右矩阵的行数 时，才能相乘，否则不允…
JavaSE-10笔记【多线程1（+2024新）】
文章目录 1.进程与线程2.并发与并行3.线程的调度模型4.实现线程4.1 第一种方式：继承Thread4.2 第二种方式：实现Runnable接口4.3 t.start()和t.run()的本质区别？4.4 线程常用的三个方法 5.线程的生命周期（把生命周期图背会…
考研回忆录【二本-＞211】
备考时长差不多快一年半，从22年的11月底开始陆陆续续地准备考研，因为开始的早所以整个备考过程显得压力不是很大，中途还去一些地方旅游，我不喜欢把自己绷得太紧。虽然考的不是很好，考完我甚至都没准备复试，…
《QT实用小工具·十三》FlatUI辅助类之各种炫酷的控件集合
1、概述 源码放在文章末尾
FlatUI辅助类之各种炫酷的控件集合
按钮样式设置。文本框样式设置。进度条样式。滑块条样式。单选框样式。滚动条样式。可自由设置对象的高度宽度大小等。自带默认参数值。
下面是demo演示：
项目部分代码如下所示：
#ifnd…
《QT实用小工具·十四》面板容器控件和图形字体示例
1、概述 源码放在文章末尾
面板容器控件包含如下功能： 支持所有widget子类对象，自动产生滚动条。 支持自动拉伸自动填充。 提供接口获取容器内的所有对象的指针。 可设置是否自动拉伸宽度高度。 可设置设备面板之间的间距和边距。
超级图形字体类…
论文笔记：Large Language Models as Analogical Reasoners
iclr 2024 reviewer打分5558
1 intro
基于CoT prompt的大模型能够更好地解决复杂推理问题 然而传统CoT需要提供相关的例子作为指导，这就增加了人工标注的成本——>Zero-shot CoT避免了人工标注来引导推理 但是对于一些复杂的任务难以完成推理，例如c…
2024最全AI绘画Midjourney绘画提示词Prompt大全，AI换脸、垫图混图【宝藏级收藏】
一、AI绘画工具
SparkAi创作系统是基于ChatGPT进行开发的Ai智能问答系统和Midjourney绘画系统，支持OpenAI-GPT全模型国内AI全模型。本期针对源码系统整体测试下来非常完美，那么如何搭建部署AI创作ChatGPT？小编这里写一个详细图文教程吧。已支…
Win10 下 git error unable to create file Invalid argument 踩坑实录
原始解决方案参看：https://stackoverflow.com/questions/26097568/git-pull-error-unable-to-create-file-invalid-argument 本问题解决于 2024-02-18，使用 git 版本 2.28.0.windows.1 解决方案
看 Git 抛出的出错的具体信息，比如如下都来自…
7(8)-2-CSS 盒子模型
个人主页：学习前端的小z 个人专栏：HTML5和CSS3悦读 本专栏旨在分享记录每日学习的前端知识和学习笔记的归纳总结，欢迎大家在评论区交流讨论！ 文章目录 CSS 盒子模型1 盒子模型（Box Model）组成2 边框&#x…
docker安装Nexus，maven私服
文章目录 前言安装创建文件夹设置文件夹权限docker创建指令制作docker-compose.yaml文件 查看网站访问网页查看密码 前言
nexus作为私服的maven仓库，在企业级应用中，提供了依赖来源的稳定性，为构建庞大的微服务体系，打下基础
安…
Day83：服务攻防-开发组件安全JacksonFastJson各版本XStreamCVE环境复现
目录
J2EE-组件Jackson-本地demo&CVE
代码执行 (CVE-2020-8840)
代码执行 (CVE-2020-35728）
J2EE-组件FastJson-本地demo&CVE
FastJson < 1.2.24
FastJson < 1.2.47
FastJson < 1.2.80 (利用条件比较苛刻)
J2EE-组件XStream-靶场&CVE …
Java_自定义实体类的列表List＜T＞调用remove()失败讲解
示例1 前提： 新建一个主类Demo1。 需求： 在一个列表中有三条String的数据，想要使用remove(Object o)删掉其中一条。 结果： remove(Object o)成功把数据删掉。 示例2 前提： 新建一个自定义实体类DataExample和一个主…