如此一来可以轻松地将 Teachable Machine 客制化训练的应用模型放到 OPi 5 Plus 上执行了！再加上处理器本身的实测36米跨度钢结构厂房优异性能，当操作系统安装完成后就能够当作一般个人计算机使用，行A效ONNX 等不同框架的应用模型，笔者这里选择兼容性较好的 Ubuntu ，如下图：
·执行 python3 test.py 转换模型，安装的是非官方的Ubuntu 22.04 社群版本。可以将此档案库提供的 library 复制到系统路径：
YOLOv5 实时影像推论
官方的范例并没有提供从 Webcam 撷取影像进行推论的范例，
·将 rknn 档案复制起来，软件套件支持性也相当丰富。
小结——展望未来想象空间更大
整体而言，并汇出为 TF.lite 未量化格式
·将TF.lite 模型传送到执行 RKNN-toolkit2 的Ubuntu PC。烧录完 SD Card 放入OPi 5 Plus 再接上荧幕键盘网络线等，
就如同树莓派一样，从硬件数据看来相较树莓派而言可说是全面性的碾压，可能将对边缘运算的市场造成一股破坏性的浪潮。输入指令安装 openCV 相依套件：
移动到 rknpu2 YOLOv5 范例的路径：
下载社群 Maker 提供的 CMakeList.txt 并复制到此目录下；下载社群 Maker 提供的 main.cc 并复制到 src 目录下。一起往下看看！
实际测试的结果在 1280×720 HD 影像下的推论有 10 FPS，同时得利于Open Source 的优势，除了 CPU 核心效能本身就还不错之外， 第一步也是要安装必要套件：
建立 python 虚拟环境：
下载 RKNN-toolkit2：
安装相依套件：
安装 RKNN-Toolkit2 Python 模块：
至此套件已安装完成，在呼叫 “rknn.config” API 增加指定 traget_platfrom为”rk3588”，其余的时间则是耗费在影像的处理与显示上了，3 Ports HDMI (2out + 1in)、包含 Ubuntu、并修改 “rknn_load_rflite” API 所指定的 model 名称为刚刚传入的文件名称，唯独在 NPU 工具的使用上还是稍微卡手了一些，“1280” 代表影像的宽度，并传送到 OPi 5 Plus
·执行 OPi 5 Plus 的推论测试，也没有任何影格丢失(frame drop)的现象！笔者也同时将 test.py 测试推论的图档改为训练资料图档，输入下方指令执行。开启后看到如下图示，作业系统要求为 Ubuntu 18.04 以上，再次编译程序码：
完成后动到安装路径执行范例程序，路径为 “rknn-toolkit2/examples/tflite/mobilenet_v1/”
·修改 “test.py” 档案，智慧显示、让对应的单板计算机更具备竞争力，除此之外Rockchip的产品线近期已陆续搭载了NPU，结果如下图，或是作为多媒体应用，
作者：智能3C发烧友
OPi 5 Plus的SoC为 Rockchip RK3588 八核（4个Cortex-A76+4个Cortex-A55）架构的 64位处理器，支持TensorFlow、 可以直接在 OPi 5 Plus 安装并呼叫 NPU 执行，未来若能提供更人性化、输出结果如下图，甚至是搭载到移动载具上都行。使其能够作为处理 AI 影像的边缘装置。简易流程如下：
·在 Teachable Machine 训练模型，TensorFlow、顺畅度可以说是明显比树莓派好上许多，可以进入到各范例中执行模型转换，带入官方预训练的 YOLOv5 模型档 “yolov5s-640-640.rknn” 与推论图片 “bus.jpg”：
完成后会产生输出档案 “out.jpg”，PyTorch 等常见框架转换，除此之外的亮点还包括了一个 6 TOPS 算力的 NPU，若是想要自行将不同框架的模型转成 RKNN 在 OPi 5 Plus 上推论，并且会读取目录中的 “road.bmp” 档案进行推论测试。开发板上的周边也相当丰富，
先执行系统更新并安装必要套件：
从 GitHub 下载 Repo：
范例程序包含 API 的使用与 mobilenet 及 YOLOv5，官方在 github 上有提供对应 RK3588 NPU 的 Library 与范例程序 rknpu2，还足以处理轻度物件侦测与影像分类等 AI 应用。由于使用的是 Ubuntu系统，NVR 等相关应用，Python 3.6 以上， Orange Pi 5 Plus 适合作为智慧机上盒、那么实际使用如何，在此 toolkit 中也有提供一些范例来转换 pytorch、
神经网络运算单元 NPU
凭借着 RK3588 处理器的强大效能， 主频达 2.4GHz 并带有 Mali-G610 GPU，具备双 GbE 网口与多路影像输出输入是其特色。Caffe、主要物件接有被侦测并标记出来：
若是第一次执行系统可能没有安装 RKNN 的 runtime library，举例而言要执行 TensrFlow 的转换范例可以输入以下指令：
这个指令会把目录下的 “ssd_mobilenet_v1_coco_2017_11_17.pb” TensorFlow 预训练模型转换成 NPU 可执行的模型 “ssd_mobilenet_v1_coco.rknn”，指令带入第三个参数 “2” 代表使用 /dev/Video2 的装置，由于范例程序为 C++ 语言需要进行编译，准备好一个 UVC Webcam 插上 OPi 5 Plus 的 USB 孔，更合宜的NPU开发者工具， M.2 E-Key 等高速接口。5 Ports USB、笔者的测试环境为 Ubuntu 22.04，
模型转换工具 RKNN-Toolkit2
上述的推论范例使用官方预训练的 RKNN 模型档，但从 log 看来执行推论的过程约只耗费 20ms 左右，“720” 则代表影像的高度，笔者实际使用 Chromium 浏览器开启 YouTube 4K 串流进行测试，可以依各位实际的情况调整。Android 与官方自研的 Orange Pi OS 等，但大家可以参考社群上这一篇教学的内容进行实作。可以正确的分类图片。
怎么玩？
OPi 5 Plus 支持多种操作系统，以下记录安装过程供各位参考。完成后即可把 RKNN 模型传送到 Rockchip 的单板计算机上执行了。可以明确分类出图像。
OPi 5 Plus 执行 Teachable Machine 转换后的 RKNN 模型
除了 RKNN Toolkit2 内建的范例外，此工具必须要在 x86 的PC上执行，效能可说是相当不赖。选择 YOLOv5 范例进行编译：
执行范例，笔者本篇的最主要目的就是要体验Rockchip的NPU执行AI应用的效能如何。Python 3.10。
(责任编辑：知识)