🧠 瑞芯微NPU · 实战目录

30章 · 从入门到边缘部署
01NPU基础认知
  • 瑞芯微NPU架构概览
  • NPU与CPU/GPU的区别
  • RK3588/RK3568算力对比
02开发环境搭建
  • RKNN Toolkit2安装
  • 交叉编译环境配置
  • Python与C++ SDK选择
03模型格式入门
  • ONNX模型导出
  • TensorFlow模型冻结
  • PyTorch转ONNX踩坑记
04RKNN转换初探
  • Python API模型转换
  • rknn.config()参数详解
  • 模型加载与推理验证
05量化原理与实战
  • INT8/INT16量化原理
  • 量化校准数据集制作
  • 混合精度量化策略
06模型优化技巧
  • 算子融合与替换
  • 输入输出张量优化
  • 模型剪枝与蒸馏应用
07C++部署实战
  • RKNN C++ API使用
  • 内存管理技巧
  • 多线程推理加速
08零拷贝推理
  • DMA与RGA硬件加速
  • 零拷贝输入输出实现
  • 实测性能对比
09多模型并发
  • 多模型流水线设计
  • NPU资源分配策略
  • 调度经验分享
10性能调优工具
  • RKNN Profiler使用
  • 逐层耗时分析
  • 瓶颈定位与优化
11常见错误排查
  • 转换失败原因分析
  • 精度下降定位
  • 内存泄漏检测
12YOLOv5部署实战
  • PyTorch→RKNN全流程
  • 后处理优化
  • mAP与FPS平衡
13OCR模型部署
  • 文字检测与识别转换
  • CTC解码优化
  • 端到端流水线
14人脸识别部署
  • 人脸检测+特征提取
  • 特征比对优化
  • 活体检测集成
15语义分割部署
  • DeepLabV3+模型转换
  • 后处理加速
  • 多类别可视化
16姿态估计部署
  • 关键点检测模型优化
  • 热力图后处理
  • 实时性优化
17超分模型部署
  • ESPCN/FSRCNN转换
  • 分块推理策略
  • 视频超分实战
18模型加密与保护
  • RKNN模型加密
  • 板端解密流程
  • 安全启动集成
19自定义算子开发
  • RKNN自定义算子接口
  • C++算子实现
  • 注册与调试
20DRM显示框架
  • DRM基础概念
  • 直接显示NPU结果
  • 叠加层与合成
21Camera采集与推理
  • V4L2摄像头采集
  • RKAIQ图像预处理
  • 实时推理流水线
22视频流分析
  • FFmpeg解码集成
  • 跳帧策略
  • 多路视频并发处理
23模型热更新
  • 运行时切换模型
  • 版本管理
  • 回滚机制
24功耗与散热优化
  • NPU频率调节
  • 温控策略
  • 长时间运行稳定性
25RKNN与RKMPP协同
  • 硬件编解码+NPU推理
  • 视频分析全硬件流水线
  • 协同设计
26多芯片级联
  • 多RK3588协同推理
  • 分布式任务分配
  • 同步机制
27模型自动搜索
  • NAS在NPU上的应用
  • 自动量化策略搜索
  • 硬件感知模型设计
28RKNN 2.0新特性
  • 新算子支持
  • 性能提升
  • 迁移指南
29工业场景实战
  • 缺陷检测模型部署
  • 高帧率优化
  • 长时间运行可靠性
30边缘计算平台集成
  • RKNN与Kubernetes
  • 容器化部署
  • 远程管理
📘 ·