yolov5-7.0实例分割模型转onnx再转rknn，含各个阶段代码。包括： （1）pt转onnx （2）onnx转rknn及推理 （3）rknn推理

瑞芯微RK3399平台isp camera获取视频流测试，欢迎大家下载！

二、基本概念 链接器把一个或多个输入文件合成一个输出文件. 输入文件: 目标文件或链接脚本文件. 输出文件: 目标文件或可执行文件. 目标文件(包括可执行文件)具有固定的格式, 在 UNIX 或 GNU/Linux 平台下, 一般为 ELF 格 式 有时把输入文件内的 section 称为输入 section(input section), 把输出文件内的 section 称为 输出 section(output sectin). 目标文件的每个 section 至少包含两个信息: 名字和大小. 大部分 section 还包含与它相关联 的一块数据, 称为 section contents(section 内容). 一个 section 可被标记为“loadable(可加 载的)”或“allocatable(可分配的)”. loadable section: 在输出文件运行时, 相应的 section 内容将被载入进程地址空间中. allocatable section: 内容为空的 section 可被标记为“可分配的”. 在输出文件运行时, 在进 程地址空间中空出大小同 section 指定大小的部分. 某些情况下, 这块内存必须被置零. 如果一个 section 不是“可加载的”或“可分配的”, 那么该 section 通常包含了调试信息. 可用 objdump -h 命令查看相关信息. 每个“可加载的”或“可分配的”输出 section 通常包含两个地址: VMA(virtual memory address 虚拟内存地址或程序地址空间地址)和LMA(load memory address加载内存地址或进程地址 空间地址). 通常 VMA 和 LMA 是相同的. 在目标文件中, loadable 或 allocatable 的输出 section 有两种地址: VMA(virtual Memory Address)和 LMA(Load Memory Address). VMA 是执行输出文件时 section 所在的地址, 而 LMA 是加载输出文件时 section 所在的地址. 一般而言, 某 section 的 VMA == LMA. 但在 嵌入式系统中, 经常存在加载地址和执行地址不同的情况: 比如将输出文件加载到开发板 的 flash中(由 LMA指定), 而在运行时将位于 flash中的输出文件复制到SDRAM中(由VMA 指定). 可这样来理解 VMA 和 LMA, 假设: (1) .data section对应的VMA地址是 0×08050000, 该 section内包含了 3个 32位全局变量, i、j 和 k, 分别为 1,2,3. (2) .text section 内包含由”printf( “j=%d “, j );”程序片段产生的代码. 连接时指定.data section 的 VMA 为 0×08050000, 产生的 printf 指令是将地址为 0×08050004 处的 4 字节内容作为一个整数打印出来。 如果.data section 的 LMA 为 0×08050000，显然结果是 j=2 如果.data section 的 LMA 为 0×08050004，显然结果是 j=1 还可这样理解 LMA:

RK3399PRO核心板原理图DSN

包含数据手册，参考设计，核心板，底板，配套PCIE接口的RK1808接口等详细设计

针对RK3399pro官方开发板，官方只提供了fedora28系统，对于我们更常用的ubuntu系统并没有介绍如何使用，该文档是我使用ubuntu18.04运行npudemo过程中记录了全部的问题修改过程。可以正常使用wifi连网，用vnc完美运行RKNN对应YOLOV3模型例子。

因为RK3399pro+fadora系统的/dev/video0口被占用，使用python3+opencv无法读取摄像头数据，所以使用过 v4l2调用USB摄像头

Rockchip_RK3399Pro_TRM_V1.0_Part1-20190122 rk3399pro trm datasheet

Rockchip_RK3399Pro_User_Guide_Hardware_CN Rockchip_RK3399Pro_User_Guide_Hardware_CN

RK3399Pro is a low power, high performance processor for computing, personal mobile internet devices and other smart device applications. Based on Big.Little architecture, it integrates dual-core Cortex-A72 and quad-core Cortex-A53 with separate NEON coprocessor.Equipped with one powerful neural network process unit(NPU), it supports mainstream platforms in the market, such as caffe, tensor flow, and so on.