Radxa Rock 3a开发板是基于瑞芯微RK3568芯片设计的，ARM CPU采用4核Cortex-A55(Cortex-A53的继任者），主频最高可达2.0Ghz，CPU性能相当于中高端手机的小核性能。相比于RK3399, 树莓派4B这种采用了Cortex-A72大核CPU平台，RK3568的Cortex-A55这种虽然是小核CPU架构，但是由于主频高，性能不会逊色太多，在加上对于ARMV8.2的支持，原生支持半精度计算，在AI推理性能要略微强上一截。而在散热功耗控制上，RK3568由于采用了小核架构要比RK3399树莓派4B更有优势。
以下是基于NCNN推理框架运行MobileNetV2网络的速度测试基准：
| min | max | avg | |
|---|---|---|---|
| RK3568 | 35.75ms | 36.09ms | 35.88ms |
| RK3399 | 51.30ms | 52.18ms | 51.75ms |
| 树莓派4B | 72.26ms | 73.16ms | 72.62ms |
RK3568在CPU的AI推理性能还是很强的！！！
其实基于RK3568的Radxa Rock 3a有个非常大的优势，就是太TM便宜的，某宝269RMB就可以入手，相比于RK3399和树莓派4B在价格上有太大优势了！！！
放一张Radxa Rock 3a的照片:
上篇讲了，Radxa Rock 3a上面搭载的那颗RK3568很强，但是不要忘了，它还有个0.8T的NPU，虽然指标算力看起来很低，但是应该也是比CPU强一些的。基于RK3568的NPU开发，是要基于瑞芯微官方提供的rknn-toolkit2以及rknpu2，rknn-toolkit2主要是神经网络模型的量化及模型转换，把模型转换为.rknn的格式，rknpu2主要是提供调用NPU的API接口函数，这两个在瑞芯微的Github都有提供，下面是链接
rknpu2github.com/rockchip-linux/rknpu2
GitHub - rockchip-linux/rknn-toolkit2github.com/rockchip-linux/rknn-toolkit2正在上传…重新上传取消
建议大家还是要看完官方文档，在./doc目录下
那么当我们通过rknn-toolkit2工具把模型转换为.rknn的格式后，我们具体该怎么在NPU上进行推理呢？我这边就给大家造了个轮子，方便大家傻瓜式调用，就是simple-rknn2，它不光支持RK3568的NPU调用，也支持RK3588的NPU，操作系统支持Linux和Android，链接在下面:
https://github.com/dog-qiuqiu/simple-rknn2github.com/dog-qiuqiu/simple-rknn2
基于它调用NPU，到底有多傻瓜呢，总共也就两个函数: LoadModel():加载模型 Forward()模型推理;
是不是很简洁，其实也就是基于官方rknpu2的NPU调用API接口进行二次封装，方便在大家不了解NPU调用API的情况下也能方便调用NPU进行.rknn模型的推理，降低大家NPU入门开发成本，simple-rknn2具体的使用流程可以参考GitHub上的README
那么我们基于simple-rknn2提供的MobileNetv2的demo，在Radxa Rock 3a实际运行测试一下吧，看看运行速度相比于CPU有多快。注意下Radxa Rock 3a我采用的Ubuntu20镜像（debian镜像调用rga会报glibc版本错误），下面是我烧录的系统镜像链接：
链接:
https://pan.baidu.com/s/1WWmAanwOc8-D1lFpT3zOyQpan.baidu.com/s/1WWmAanwOc8-D1lFpT3zOyQ
提取码: 28qc
按照下面GitHub README链接的步骤进行simple-rknn2的编译以及demo执行文件的编译
https://github.com/dog-qiuqiu/simple-rknn2#run-demogithub.com/dog-qiuqiu/simple-rknn2#run-demo
编译完成生成可执行文件后，我们实际运行跑一下:
root@rock-3a:/home/rock/npu# ./mobilenetv2 mobilenetv2_3568.rknn
Load model:mobilenetv2_3568.rknn
sdk version: 1.2.0 (9db21b35d@2022-01-14T15:16:23) driver version: 0.4.2
model input num: 1, output num: 1
index=0, name=data, n_dims=4, dims=[1, 224, 224, 3], n_elems=150528, size=602112, fmt=NHWC, type=FP32, qnt_type=AFFINE, zp=-13, scale=0.018317
index=0, name=prob, n_dims=4, dims=[1, 1000, 1, 1], n_elems=1000, size=4000, fmt=NCHW, type=FP32, qnt_type=AFFINE, zp=0, scale=1.000000
model is NHWC input fmt
model input height=224, width=224, channel=3
Rga built version:1.04 788c430+2021-02-24 12:17:35
Forward time:19.2299995422 ms
=========================
index:0 c:1000 h:1 w:1
category:155 score:0.991211
=========================运行耗时19.22ms,相比于CPU的35ms还是要快很多的，哈哈，真香！！！（最后还是想说太TM便宜啊）