项目中需要使用工业级的AI处理板，因此考虑采用ZLG的基于rk1808平台的开发板。详细的文档介绍可以看这里M1808文档地址

准备阶段

• 设置PC的固定地址和M1808处于同一网段

  
  

• 通过ssh连接到M1808开发板
  ip:192.168.1.136
  用户名：root
  密码：root

  
  

测试用例

• 配置rknn模型转换环境
  参看了ZLG官网给出的教程，个人猜测应该就是rknn标准的toolkit安装方式，因此我没有按照他这个教程重新安装，而是直接使用了rknn官网给出的镜像安装方式，毕竟docker方式比较简单，而且不容易出错。docker安装方式参见 rk1808s-使用记录

• 以yolov3为例测试模型转换
  从ZLG的官网下载用例，放到安装了docker环境的机器上，执行
  python rknn_transform_416x416.py可以得到转换后的模型。转换如果开启量化那么时间会比较久，要耐心等待。不开启转换的模型大概是119M，开启量化之后，转换后的模型大概是61M。
  

  
  

• 配置交叉编译环境
  ZLG官网提供了vmware的虚拟机镜像，但是为什么提供的不是docker的！！！！
  所以决定自己动手安装官网教程配置一个docker 版本的linux的交叉编译环境。
  Docker version 19.03.12
【光盘资料】M1808-T 在线资料包 V1.05
  链接：https://pan.baidu.com/s/1C0XZ-D1FXMg2lW4hl4h53g
  提取码：rknn

• 部署yolov3到M1808
  /opt/zlg/m1808-sdk-v1.3.1-ga/host/aarch64-buildroot-linux-gnu/sysroot/usr/lib
  这里遇到一个坑，load模型的时候报错。报错的原因是ZLG给出的板子的固件没有升级，升级了一下固件就可以了。
  

  

刷完固件后

[root@M1808 release]# cat /timestamp 
built by root on sphinx at 2020-06-30 04:42:40

然后把交叉编译好的可执行文件放到ZLG的板子上进去就好了，这里也要注意下对于so的依赖，总共有如下：
librknn_api.so
libjasper.so.4
libjpeg.so.62
libtiff.so.5
libopencv_core.so.3.4.3
libopencv_imgcodecs.so.3.4.3
libopencv_imgproc.so.3.4.3
如果在ZLG给的板子上找不到以上这些so，那么都可以在交叉编译环境中找到！不要用ZLG官网给出例子里面的！！！！因为有可能环境不一致！！！！！

一切准备就绪，就可以把模型放上去就可以运行了，剩下的就是正常的C++开发套路了。最后的运行效果：

总结
因为核心板毕竟还是RK1808部分，所以对于RK官网给出的1808文档还是要仔细看一下，另外ZLG的支持还算比较快。