RK3588人工智能学习笔记-WSL中使用RKNN-ToolKit2

RK3588人工智能学习笔记-WSL中使用RKNN-ToolKit2

  • [WSL 中 使用RKNN-ToolKit2](#WSL 中 使用RKNN-ToolKit2)
    • [1. Windows主机安装WSL](#1. Windows主机安装WSL)
    • [2. WSL 中使用RKNN-Toolkit2](#2. WSL 中使用RKNN-Toolkit2)
    • [3. WSL 中使用RKNN-Toolkit2进行连板调试](#3. WSL 中使用RKNN-Toolkit2进行连板调试)
      • [3.1. WSL 终端安装adb](#3.1. WSL 终端安装adb)
      • [3.2 WSL 连接设备](#3.2 WSL 连接设备)
        • [3.2.1 通过网线连接](#3.2.1 通过网线连接)
        • [3.2.2 通过USB连接](#3.2.2 通过USB连接)
      • [3.3 使用RKNN-ToolKit2进行连板调试](#3.3 使用RKNN-ToolKit2进行连板调试)
    • 注:

近期学习了一些与大语言模型有关的知识,不过每次都使用自己办公的电脑测试很不方便,又不想再花钱买算力,正好有2台备用的RK3588的设备,看了参数,也有6TOPS的算力。想尝试把它当作跑模型的服务器。学习过程中用到的一些知识,记录下来,方便后期查阅。

WSL 中 使用RKNN-ToolKit2

1. Windows主机安装WSL

2. WSL 中使用RKNN-Toolkit2

  1. 参考《Rockchip_RKNPU_Quick_Start手册》在 WSL 中安装RKNN-ToolKit2环境
  2. 参考《Rockchip_RKNPU_User_Guide手册》在 WSL 进行模型转换、量化等操作

3. WSL 中使用RKNN-Toolkit2进行连板调试

3.1. WSL 终端安装adb

复制代码
sudo apt update
sudo apt install adb

3.2 WSL 连接设备

可选择通过网线或USB进行设备连接

3.2.1 通过网线连接
复制代码
# 1. 使用网线连接设备

# 2. 在 WSL 中使用 adb connect 连接设备
adb connect <IP地址:端口号>

IP地址 为板子的IP地址

3.2.2 通过USB连接
复制代码
# 1. 在 Windows 上通过USB连接设备

# 2. 在 Windows 上使用adbkit工具,将USB转为TCP
npm install --save adbkit
adbkit usb-device-to-tcp <device_id> -p <端口号>

# 注:配置WSL可以访问Windows的网络

# 3. 在 WSL 中使用 adb connect 连接设备
adb connect <IP地址:端口号>
  • device_id可通过在Windows中使用adb devices命令查看 (需要Windows中已安装adb工具)
  • IP地址 为 Windows主机 的IP地址

3.3 使用RKNN-ToolKit2进行连板调试

参考《Rockchip_RKNPU_User_Guide手册》在 WSL 进行连板推理、连板精度分析等操作

注:

  1. 推荐安装 WSL2,Ubuntu版本号为22.04 已验证可行(其余版本未验证,理论可行)

  2. 在WSL使用RKNN-ToolKit2中若出现 "ImportError: libGL.so.1: cannot open shared object file: No such file or directory",请执行以下代码解决

    1. 安装对应库
      sudo apt update
      sudo apt install libgl1-mesa-glx

    2. 设置环境变量
      echo 'export LD_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu/mesa' >> ~/.bashrc
      source ~/.bashrc

相关推荐
客梦4 分钟前
数据结构-树结构
数据结构·笔记
CM莫问11 分钟前
详解机器学习经典模型(原理及应用)——岭回归
人工智能·python·算法·机器学习·回归
七牛云行业应用12 分钟前
告别RLHF?DeepSeek过程奖励(PRM)架构解析与推理数据流设计
人工智能·强化学习·大模型架构·deepseek
xcLeigh13 分钟前
AI的提示词专栏:Prompt 与传统机器学习特征工程的异同
人工智能·机器学习·ai·prompt·提示词
DuHz13 分钟前
论文阅读——Edge Impulse:面向微型机器学习的MLOps平台
论文阅读·人工智能·物联网·算法·机器学习·edge·边缘计算
诚丞成14 分钟前
机器学习——生成对抗网络(GANs):原理、进展与应用前景分析
人工智能·机器学习·生成对抗网络
盼小辉丶14 分钟前
图机器学习(7)——图神经网络 (Graph Neural Network, GNN)
人工智能·神经网络·图神经网络·图机器学习
码字的字节15 分钟前
机器学习中的可解释性:深入理解SHAP值及其应用
人工智能·shap
爱数学的程序猿18 分钟前
机器学习“捷径”:自动特征工程全面解析
人工智能·机器学习
一个处女座的程序猿19 分钟前
AI:新书预告—从机器学习避坑指南(分类/回归/聚类/可解释性)到大语言模型落地手记(RAG/Agent/MCP),一场耗时5+3年的技术沉淀—“代码可跑,经验可抄”—【一个处女座的程序猿】携两本AI
人工智能·机器学习·大语言模型