PaddleLite使用RK NPU预测部署¶

Paddle Lite已支持RK NPU的预测部署。其接入原理是与之前华为NPU类似，即加载并分析Paddle模型，将Paddle算子转成RK组网API进行网络构建，在线生成并执行模型。

支持现状¶

已支持的芯片¶

RK1808, RK1806
RK1126, RK1109

已支持的设备¶

RK1808 EVB，暂时不支持RK3399Pro。

已支持的Paddle模型¶

全量化MobileNetV1

已支持（或部分支持）的Paddle算子¶

relu
conv2d
depthwise_conv2d
pool2d
fc
softmax
batch_norm
concat
elementwise_add
elementwise_sub
elementwise_mul
elementwise_div

参考示例演示¶

测试设备¶

rk1808_evb_front

rk1808_evb_back

准备设备环境¶

需要依赖特定版本的firmware，请参照rknpu_ddk的说明对设备进行firmware的更新；
由于RK1808 EVB在刷firmware后，只是一个纯净的Linux系统，无法像Ubuntu那样使用apt-get命令方便的安装软件，因此，示例程序和PaddleLite库的编译均采用交叉编译方式；
将MicroUSB线插入到设备的MicroUSB OTG口，就可以使用Android的adb命令进行设备的交互，再也不用配置网络使用ssh或者通过串口的方式访问设备了，这个设计非常赞！

准备交叉编译环境¶

为了保证编译环境一致，建议参考源码编译中的Docker开发环境进行配置。

运行图像分类示例程序¶

从https://paddlelite-demo.bj.bcebos.com/devices/rockchip/PaddleLite-armlinux-demo.tar.gz下载示例程序，解压后清单如下：

- PaddleLite-armlinux-demo
  - image_classification_demo
    - images 
      - tabby_cat.jpg # 测试图片
      - tabby_cat.raw # 已处理成raw数据的测试图片
    - labels
      - synset_words.txt # 1000分类label文件
    - models
      - mobilenet_v1_int8_224_for_rknpu.nb # 已通过opt转好的mobilenetv1全量化模型
    - CMakeLists.txt # 示例程序CMake脚本
    - build
      - image_classification_demo # 已编译好的示例程序
    - image_classification_demo.cc # 示例程序源码
    - convert_to_raw_image.py # 将测试图片保存为raw数据的python脚本
    - build.sh # 示例程序编译脚本
    - run.sh # 示例程序运行脚本
  - Paddle-Lite
    - include # PaddleLite头文件
    - libs
      - armv8
        - libGAL.so # RK DDK库
        - libOpenVX.so
        - libVSC.so
        - librknpu_ddk.so
        - libgomp.so.1 # gnuomp库
        - libpaddle_light_api_shared.so # 预编译PaddleLite库

进入PaddleLite-armlinux-demo/image_classification_demo，再定频后直接执行./run.sh即可，注意：run.sh的执行不能在docker环境，否则无法找到设备；

$ cd PaddleLite-armlinux-demo/image_classification_demo
$ adb shell
  / # echo userspace > /sys/devices/system/cpu/cpu0/cpufreq/scaling_governor
  / # echo 1608000 > /sys/devices/system/cpu/cpu0/cpufreq/scaling_setspeed
  / # echo userspace > /sys/devices/system/cpu/cpu1/cpufreq/scaling_governor
  / # echo 1608000 > /sys/devices/system/cpu/cpu1/cpufreq/scaling_setspeed
$ ./run.sh
...
warmup: 5 repeat: 10, average: 6.486600 ms, max: 6.544000 ms, min: 6.450000 ms
results: 3
Top0  tabby, tabby cat - 0.438732
Top1  Egyptian cat - 0.438732
Top2  tiger cat - 0.116995
Preprocess time: 2.447000 ms
Prediction time: 6.486600 ms
Postprocess time: 0.101000 ms

如果需要更改测试图片，可通过convert_to_raw_image.py工具生成；
如果需要重新编译示例程序，直接运行./build.sh即可，注意：build.sh的执行必须在docker环境中，否则可能编译出错。

更新模型¶

通过Paddle Fluid训练，或X2Paddle转换得到MobileNetv1 foat32模型mobilenet_v1_fp32_224_fluid；
参考模型量化-有校准数据训练后量化使用PaddleSlim对float32模型进行量化（注意：由于RK NPU只支持tensor-wise的全量化模型，在启动量化脚本时请注意相关参数的设置），最终得到全量化MobileNetV1模型mobilenet_v1_int8_224_fluid；
参考模型转化方法，利用opt工具转换生成RKNPU模型，仅需要将valid_targets设置为rknpu,arm即可。

$ ./opt --model_dir=mobilenet_v1_int8_224_fluid \
    --optimize_out_type=naive_buffer \
    --optimize_out=mobilenet_v1_int8_224_for_rknpu \
    --valid_targets=rknpu,arm

注意：opt生成的模型只是标记了RKNPU支持的Paddle算子，并没有真正生成RK NPU模型，只有在执行时才会将标记的Paddle算子转成RK NPU组网API，最终生成并执行HiAI模型。

更新支持RK NPU的Paddle Lite库¶

下载PaddleLite源码和RK DDK；

$ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
$ cd Paddle-Lite
$ git checkout <release-version-tag>
$ git clone https://github.com/airockchip/rknpu_ddk.git

编译full_publish and tiny_publish for armv8（注意：RKNPU_DDK只支持armv8）

$ ./lite/tools/build.sh --arm_os=armlinux --arm_abi=armv8 --arm_lang=gcc --build_extra=ON --shutdown_log=OFF --build_rknpu=ON --rknpu_ddk_root=./rknpu_ddk full_publish
$ ./lite/tools/build.sh --arm_os=armlinux --arm_abi=armv8 --arm_lang=gcc --build_extra=ON --shutdown_log=OFF --build_rknpu=ON --rknpu_ddk_root=./rknpu_ddk tiny_publish

将编译生成的build.lite.armlinux.armv8.gcc/inference_lite_lib.armlinux.armv8.rknpu/cxx/include替换PaddleLite-armlinux-demo/Paddle-Lite/include目录；
将编译生成的build.lite.armlinux.armv8.gcc/inference_lite_lib.armlinux.armv8.rknpu/cxx/lib/libpaddle_light_api_shared.so替换PaddleLite-armlinux-demo/Paddle-Lite/libs/armv8/libpaddle_light_api_shared.so文件。

其它说明¶

RK研发同学正在持续增加用于适配Paddle算子bridge/converter，以便适配更多Paddle模型。