xiaoqiang 发布的帖子

QQ技术交流群：538646196

一、 固件下载链接：

n8r2-v1.4.6_bread-compact-wifi.bin 【对应0.91寸oled屏面包板新版接线v2-wifi版本】

n8r2-v1.4.6_bread-compact-wifi-128x64.bin 【对应0.96寸oled屏面包板新版接线v2-wifi版本】

n8r2-v1.4.6_bread-compact-ml307.bin 【对应0.91寸oled屏面包板新版接线v2-AT版本】

n8r2- v1.4.6_bread-compact-ml307-128x64.bin 【对应0.96寸oled屏面包板新版接线v2-AT版本【

二、 源码编译设置

2.1 替换成8M的partitions.csv表格

2.2 flash size设置成8M

2.3 PSRAM模式设置成 quad mode

2.4 保存后重新编译即可

@看结果吧 hosts文件设置错误，可以咨询gpt获取修改意见

@natsuki 在 rk3588在ros中使用ros_rknn_yolo包 中说：

ros_rknn_yolo文件夹内有没有正确创建venv子文件夹，检查venv内的python虚拟环境是否正确创建了。
同时可以手动按行执行一下rknn_yolo_node.sh这个bash文件中的指令内容，看是哪一行出了问题。

《rk3588在ros中使用ros_rknn_yolo包》这篇文章中的图像话题来源，除了usb摄像头外，一般是监控摄像头。监控摄像头推的基本都是rtsp流，因此需要一个ros包来将rtsp视频流解码转换成ros图像话题数据流。使用bw_rtsp_client包，可以方便、高效率地在rk3588中完成这个任务，转换1080p的rtsp流延时低于160毫秒，cpu占用率单核小于50%。

1. 下载与编译

环境准备

确保您的RK3588设备已经安装了ROS环境。本教程默认您使用的是ROS1版本，具体的安装步骤请参考ros_rknn_yolo包内的readme文件。
rk3588的ubuntu系统还需要升降安装下列硬件解码库。

https://git.bwbot.org/publish/librga
https://git.bwbot.org/publish/mpp
https://git.bwbot.org/publish/ffmpeg-rockchip
https://git.bwbot.org/publish/rockchip_mirrors
每个仓库readme里面有安装步骤

克隆软件包

首先，切换到您的ROS工作空间src目录下，然后克隆bw_rtsp_client软件包：

cd ~/rk3588_ros_ws/src
git clone https://git.bwbot.org/publish/bw_rtsp_client.git

编译软件包

返回到工作空间的根目录，进行编译：

#开始编译
cd ~/rk3588_ros_ws/
catkin_make

2. 启动Launch文件

先找到一个rtsp数据流，可以用这个软件包《gst-rtsp-server》发布一个测试用的数据流。

 ./test-launch "( videotestsrc ! video/x-raw,width=1920,height=1080,framerate=30/1 ! timeoverlay ! tee name=vsrc vsrc. ! queue ! videoconvert ! ximagesink vsrc. ! queue ! mpph264enc tune=zerolatency ! rtph264pay name=pay0 pt=96 )"

bw_rtsp_client包提供了Launch文件来启动节点和相关的配置。在另一个新开的终端中运行以下命令以启动：

#将test.yaml文件中的rtsp_uri参数改成自己要订阅的rtsp流链接，再执行下列指令。
roslaunch bw_rtsp_client test.launch

在另一个新开的终端中使用image_view查看转换发布的话题

rosrun image_view image_view

3. 其它使用方式和参数

请阅读bw_rtsp_client中的readme.md文件，可以使用service接口控制转换过程的开启和关闭。

rk3588运行whisper模型有三种方法：1.使用纯cpu运行原始pytorch模型；2.将whisper模型转成onnx各式，再转成rknn格式使用npu运行；3.利用npu提供的矩阵运算功能，结合cpu一起运行原始pytorch模型。方法1做不到实时，方法2有rockchip官方仓库。方法3是这篇教程介绍的，方法3比方法2更快，同时功能更完整，比如tiny和small模型都可以运行。
我们在https://github.com/usefulsensors/useful-transformers基础上，通过修复bug，增加运行参数和prompt控制输出字体格式，实现了多语言模型的实时准确推理，whisper tiny和base模型rtf<0.1, small模型rtf<0.5。

一、优化修改后的开源代码库

• whisper: https://git.bwbot.org/publish/useful-transformers

二、代码运行说明

通过 git clone 克隆代码后，准备好 Python 环境，然后执行 transcrible_wav.py完成语音识别。

1. 克隆源代码：

git clone http://git.bwbot.org/publish/useful-transformers.git

2. 准备python运行环境：
   我们在 RK3588 上使用的是 Ubuntu22.04 Desktop，默认的 Python 版本是 3.10。为了避免破坏系统环境，我们使用 virtualenv 来配置需要的 Python 运行环境。

sudo apt install python3-virtualenv

#进入上面git clone下来的文件夹根目录
cd useful-transformers

#创建虚拟环境
virtualenv --system-site-packages -p /usr/bin/python3 venv

#激活虚拟环境
source venv/bin/activate

#开始在虚拟环境中安装pybind11
pip install -i https://mirror.baidu.com/pypi/simple pybind11

#在虚拟环境中编译安装useful-transformers包，注意指令中的文件路径要改成自己的实际路径
export pybind11_DIR=/home/xiaoqiang/npu/useful-transformers/venv/lib/python3.10/site-packages/pybind11/share/cmake/pybind11
./venv/bin/pip install  ../useful-transformers  -i https://pypi.mirrors.ustc.edu.cn/simple

3.环境配置完成，开始运行whisper：

taskset -c 4-7 ./venv/bin/python -m useful_transformers.transcribe_wav ./wav/chinese.wav tiny zh

运行指令格式如下，modelname可以为tiny、base、small、tiny.en、base.en、small.en或者自己微调的模型。languge可以为en或zh，分别代表英文和中文。

taskset -c 4-7 python -m useful_transformers.transcribe_wav <wav_file> modelname languge

自己微调的模型可以用torch_state_dict_to_npz.py 文件来转换。

三、运行结果

@shlfan 第一次运行错误，可以先只编译vision_msgs包

catkin_make -DCATKIN_WHITELIST_PACKAGES="vison_msgs"

第二次运行的错误是安装python虚拟环境的依赖包出了问题，手动执行CMakeLists.txt中的58行指令安装，看报什么错误，一般是网络问题。

还有一个注意点，这个包默认的python版本是3.10，你的是3.8版本，rknn_toolkit_lite2的安装包要自己换成3.8版本的，同时修改CMakeLists.txt中的88行。

@shlfan 在 rk3588在ros中使用ros_rknn_yolo包 中说：

undefined reference to `pthread_join’

catkin_make时默认会编译整个工作空间中的包，你目前的错误是其它ros包有问题，可以使用下面命令只编译ros_rknn_yolo包

catkin_make -DCATKIN_WHITELIST_PACKAGES="vison_msgs;ros_rknn_yolo"

@zhiming 左右两个红外探头不要被车挡住，模块无法判断已经达到充电桩正前方，会导致一直卡在步骤c

如果你的香橙派5，使用的是ubuntu 22.04 同时内核版本是5.10.110，可以下载安装这个deb包 linux-image-legacy-rockchip-rk3588_1.1.6_arm64.deb 进行升级。

sudo dpkg -i linux-image-legacy-rockchip-rk3588_1.1.6_arm64.deb

内核源码链接：https://git.bwbot.org/publish/orange-pi-5.10-rk3588

@zhiming rostopic echo 节点发布的话题，看是否有数据，rqt_graph工具排查节点是否成功订阅了相关话题和tf关系。

本文档将引导您如何在基于RK3588的设备上，使用ros_rknn_yolo软件包进行高效的对象检测。

1. 下载与编译

环境准备

确保您的RK3588设备已经安装了ROS环境。本教程默认您使用的是ROS1版本，具体的安装步骤请参考ros_rknn_yolo包内的readme文件。

克隆软件包

首先，切换到您的ROS工作空间src目录下，然后克隆ros_rknn_yolo软件包及其依赖的vision_msgs软件包：

cd ~/rk3588_ros_ws/src
git clone https://git.bwbot.org/publish/ros_rknn_yolo.git
git clone https://git.bwbot.org/publish/vision_msgs.git

编译软件包

返回到工作空间的根目录，进行编译：

#先安装系统依赖
sudo apt install python3-virtualenv
pip install opencv-python opencv-contrib-python
#开始编译
cd ~/rk3588_ros_ws/
catkin_make

编译完成后，需要运行ros_rknn_yolo包中的一个脚本以设置rknn2的运行环境：

roscd ros_rknn_yolo
sudo ./fix_rknn2_runtime

2. 启动Launch文件

ros_rknn_yolo包提供了Launch文件来启动节点和相关的配置。
在终端中运行以下命令以启动：

roslaunch ros_rknn_yolo xiaoqiang_yolo.launch

以上命令将启动rknn_yolo_node节点，并加载预定义的配置。有关节点参数和功能的详细信息，请参阅readme_cn.md文件。

3. 启动测试文件

为了验证ros_rknn_yolo包是否正常工作，可以运行包内提供的测试文件。
在新的终端窗口中，执行以下命令来启动测试节点：

roscd ros_rknn_yolo/test
python bus_do_yolo_srv.py

此测试脚本将向rknn_yolo_node节点发送一张图片，并显示检测结果。

您还可以自己运行其它test文件，比如同时推理两个视频

结语

至此，您已成功在RK3588设备上使用ros_rknn_yolo包进行了对象检测。根据您的具体需求，请进一步探索和调整ros_rknn_yolo包的配置和功能。

常见问题

a.这个包有两个分支，一个是master分支，还有一个是no-opencl分支，不想使用opencl加速的同学可以使用no-opencl分支。如果安装master分支时，提示无法安装python 依赖包，可能是opencl相关库没有安装好，可以先执行sudo ./fix_rknn2_runtime 。

b.这个包默认系统配置的python版本是3.10，其它版本的同学要将rknn_toolkit_lite2的安装包换成自己系统python版本的包，同时修改CMakeLists.txt中的88行。

@zhiming 我不了解你的底盘电源系统，这个5v是给这个模块供电的，功率5v 0.5A

@zhiming 不是，是你底盘的电源系统给它供电

@zhiming 用dcdc电源模块转个5v给它

重新import logging

from rknnlite.api import RKNNLite

改成

import importlib
import logging
from rknnlite.api import RKNNLite
importlib.reload(logging)
logging.basicConfig(level=logging.INFO)

网上很多同学留言说rknn对npu的调度有问题，会导致卡住，我们初始遇到了这种现象，经过排查发现是python的numpy数组越界导致了卡顿，比如操作图像数据，下标越界了。解决越界问题后，npu调度就流畅了。

@1234 什么设备？

@luzhongfa 插头上面有数字，1正极，2负极

@eee 试试cartographer的重定位