步驟 2：替換 NPU Driver 后編譯 Ubuntu 并刷機(jī) 根據(jù)瑞芯微 GitHub rkllm 倉庫對的《RKLLM SDK User Guide》要求[5]，特別說明： RKLLM 版本是 1.2.1： RKLLM 所需要的 NPU 內(nèi)核版本較高，用戶在板端使用 RKLLM Runtime 進(jìn)行模型推理前，首先需要確認(rèn)板端的 NPU 內(nèi)核是否為 v0.9.8 版本。 # cat /sys/kernel/debug/rknpu/version
RKNPU driver: v0.9.7
BuildRoot 是默認(rèn)系統(tǒng)，不太方便，所以刷了米爾提供的 Debian&Linux6.1.75 Distribution V1.1.0 里的 Ubuntu 鏡像后（燒錄部分遵循米爾提供的文檔 MYD-LR3576J-GK Ubuntu 軟件開發(fā)指南-V1.0 第 5 章：燒錄鏡像。發(fā)現(xiàn) NPU Driver 版本是 0.9.7，不符合 RKLLM 用戶文檔的要求。
此時，只能將版本為 0.9.8 的 NPU Driver 代碼替換到米爾給的 Ubuntu 源碼里，然后重新編譯 Ubuntu 鏡像并重新刷機(jī)。對于刷機(jī)過程，RKLLM 的文檔提到： 若用戶所使用的為非官方固件，需要對內(nèi)核進(jìn)行更新。其中，RKNPU 驅(qū)動包支持兩個主要內(nèi)核版本：kernel-5.10 和 kernel-6.1: 米爾提供的 Debian&Linux6.1.75 Distribution V1.1.0 對應(yīng)的雖然不是最推薦的 kernel-6.1.84，但是也是 6.1。即下圖： 米爾提供的 Debian&Linux6.1.75 Distribution V1.1.0 里 04-Sources 的源碼包
解壓后 Ubuntu 源碼目錄
# 進(jìn)入源碼解壓后得到的一個 MYD-LR3576 目錄
# 第一次編譯執(zhí)行以下命令選擇配置文件
./build.sh lunch
# Which would you like? [7]
# 這里選擇 7，rockchip_rk3576_myd_lr3576_defconfig
# 緊接著分別編譯 u-boot、kernel 和 modules
./build.sh u-boot
./build.sh kernel
./build.sh module
# 編譯成功再執(zhí)行下面命令，編譯 Ubuntu 文件系統(tǒng)，并打包最終 Ubuntu 系統(tǒng)鏡像
./build.sh ubuntu
./build.sh updateimg
# RK3576 為了用戶可以更便捷的燒錄，單獨(dú)創(chuàng)建了目錄儲存編譯出來的鏡像在 output/update/Image 下
分別對 u-boot、kernel、module 三部分編譯，最后編譯成功如下圖所示： Ubuntu 鏡像編譯成功
燒錄結(jié)束后，連接筆記本，可以看到如下截圖，進(jìn)入系統(tǒng)。 刷機(jī)完后鏈接開發(fā)板，可以看到 MYIR 漂亮的字體 Logo
使用命令下圖中的命令查看 NPU Driver 版本，符合預(yù)期！ 自己基于米爾提供的 Ubuntu 源碼更改 NPU Driver 為 0.9.8 后的 NPU Driver版本，符合預(yù)期
那么，下面我們就可以正式開始使用 RKLLM ！ 三、多模態(tài)案例：支持圖像和文本交互 前面我們已經(jīng)介紹了瑞芯微大模型 SDK RKLLM。本節(jié)將會演示實(shí)際操作流程，目標(biāo)是對 Qwen2-VL-3B 多模態(tài)模型進(jìn)行部署，其中視覺 + 投影組件通過 rknn-toolkit2 導(dǎo)出為 RKNN 模型，LLM 組件通過 rkllm-toolkit 導(dǎo)出為 RKLLM 模型。 在 Qwen2-VL 這類多模態(tài)模型（支持圖像和文本交互）中，“視覺 + 投影”（Vision + Projector）是模型處理圖像輸入的核心組件，作用是將圖像信息轉(zhuǎn)換為模型可理解的特征： 視覺組件（Vision）：主要負(fù)責(zé)處理圖像輸入，完成“圖像解析”的功能。它會對輸入的圖像（如后續(xù)示例中的demo.jpg）進(jìn)行特征提取，將像素級的圖像信息（比如顏色、形狀、物體輪廓等）轉(zhuǎn)換為高維的“圖像特征向量”（一種數(shù)值化的表示）。這一步類似人類“看”到圖像并提取關(guān)鍵信息的過程。 投影組件（Projector）：多模態(tài)模型需要同時處理圖像和文本，而圖像特征與文本特征的原始格式（如維度、語義空間）可能不同，無法直接融合。投影組件的作用就是“橋梁”：它會將視覺組件輸出的“圖像特征向量”進(jìn)行轉(zhuǎn)換（投影），映射到與文本特征相同的語義空間中，讓圖像特征和文本特征能夠被模型的后續(xù)模塊（如語言模型 LLM）統(tǒng)一理解和處理。
簡單來說，“視覺 + 投影”組件的整體作用是：把圖像“翻譯”成模型能看懂的“語言”（特征），并確保這種“語言”能和文本的“語言”互通，為后續(xù)的多模態(tài)交互（如圖文問答）打下基礎(chǔ)。在部署時，這兩個組件被打包成 RKNN 模型，適合在 Rockchip 的 NPU（神經(jīng)網(wǎng)絡(luò)處理器）上高效運(yùn)行，專門處理圖像相關(guān)的計(jì)算。
下面，跟著 RKLLM SDK 里多模態(tài)模型例子[7]，只給出必要的操作步驟。 步驟 1：環(huán)境準(zhǔn)備 安裝必要的 SDK 依賴庫。 pip install rknn-toolkit2 -i https://mirrors.aliyun.com/pypi/simple
pip install torchvision==0.19.0
pip install transformers
pip install accelerate
步驟 2：模型的獲取、驗(yàn)證與格式轉(zhuǎn)換 本步驟產(chǎn)物為 rknn 和 rkllm 格式的模型文件。 操作如下，同官方指導(dǎo)[8]。： 注：我們這一步直接使用瑞芯微提供的 rkllm_model_zoo 里的模型[11]。 步驟 3：修改代碼并交叉編譯可執(zhí)行文件并上傳到板子上 本步驟產(chǎn)物為如下目錄和文件。 rknn-llm-release-v1.2.1/examples/Qwen2-VL_Demo/deploy/install/demo_Linux_aarch64▶ tree
.
├── demo
├── demo.jpg
├── imgenc
├── lib
│ ├── librkllmrt.so
│ └── librknnrt.so
└── llm
1 directory, 6 files
操作如下： 修改源碼中的EMBED_SIZE：適配模型 注：我們用的模型是 Qwen2-VL-3B，需要在src/main.cpp和src/img_encoder.cpp中修改EMBED_SIZE為2048。 不同的 Qwen2-VL 模型（2B 和 7B）需要在src/main.cpp和src/img_encoder.cpp中指定IMAGE_HEIGHT、IMAGE_WIDTH及EMBED_SIZE，核心原因是這些參數(shù)與模型的固有結(jié)構(gòu)設(shè)計(jì)和輸入處理邏輯強(qiáng)綁定，直接影響特征提取的正確性和數(shù)據(jù)傳遞的一致性。 代碼中img_vec（圖像特征向量）的尺寸依賴EMBED_SIZE計(jì)算（如IMAGE_TOKEN_NUM * EMBED_SIZE）。若EMBED_SIZE與模型實(shí)際輸出維度不匹配，會因?yàn)樘卣飨蛄績?nèi)存分配錯誤（數(shù)組大小與實(shí)際特征維度不符）或者后續(xù) LLM 組件無法正確解析圖像特征，導(dǎo)致推理失敗如 Segmentation Fault[12]： 交叉編譯 假設(shè)當(dāng)前位于 rknn-llm/examples/Qwen2-VL_Demo/ 目錄下，執(zhí)行 cd deploy
./build-linux.sh
編譯成功，如下所示： ![]() 成功交叉編譯多模態(tài)代碼
步驟 4：上傳文件到開發(fā)板 將上一步編譯后的install目錄，以及前面轉(zhuǎn)換模型得到的 rknn 和 rkllm 格式的模型文件通過 U 盤等方式上傳到 RK3576 上。 性能測試 Tips 瑞芯微在 scripts 目錄中提供了一些腳本和參數(shù)設(shè)置： 使用 fix_freq_rk3576.sh 鎖定 CPU、GPU、NPU 等設(shè)備頻率，讓測試結(jié)果的性能更加穩(wěn)定。 在設(shè)備上執(zhí)行 export RKLLM_LOG_LEVEL=1，以記錄模型推理性能和內(nèi)存使用情況。 使用 eval_perf_watch_cpu.sh 可腳本測量 CPU 利用率。 使用 eval_perf_watch_npu.sh 可腳本測量 NPU 利用率。
fix_freq_rk3576.sh 腳本會對 NPU、CPU、GPU、DDR 進(jìn)行鎖頻
多模態(tài)效果演示 為后續(xù)驗(yàn)證多模態(tài)能力，先展示 RKLLM 的基礎(chǔ)配置及純文字交互測試場景，以下為配置參數(shù)與初始對話片段： 純文字問答能力 因僅是純文字對話沒有圖片，可以執(zhí)行如下命令， # run llm(Pure Text Example)
./llm ~/rkllm-model-zoo/Qwen2.5-VL-3B-Instruct/qwen2.5-vl-3b-w4a16_level1_rk3576.rkllm 128 512
純文字：自我介紹
[color=rgba(0, 0, 0, 0.9)] ![]() 純文字：能回答哪些問題 純文字：誰是愛因斯坦純文字執(zhí)行結(jié)果
多模態(tài)問答能力 上述為圖片問答的測試準(zhǔn)備與初始提問，下文展示‘RK3576 多模態(tài)圖片問答： 測評圖片1：特征是可愛的二次元藍(lán)頭發(fā)女孩，手里拿著米爾 MYIR 開發(fā)板，下方文字寫著：NeuralTalk 公眾號
# run demo(Multimodal Example)
# 使用方式：./demo image_path encoder_model_path llm_model_path max_new_tokens max_context_len rknn_core_num
./demo demo.jpg models/qwen2-vl-vision_rk3588.rknn models/qwen2-vl-llm_rk3588.rkllm 128 512 3
./demo 最后一個參數(shù)是核數(shù)，用于推理時是否考慮多核推理，可選參數(shù)為：2（RKNN_NPU_CORE_0_1）、3（RKNN_NPU_CORE_0_1_2）、其他（RKNN_NPU_CORE_AUTO）。 測評圖片1：描述圖片測評圖片1：執(zhí)行結(jié)果
下面我們再換一張圖片試試效果！
測試圖片2：圖片背景是賽博風(fēng)格![]() 測試圖片2：描述圖片![]() 測試圖片2：多模態(tài)能力問答測試圖片3
下圖展示了測試圖片3運(yùn)行中的一些性能指標(biāo)，包括模型初始化時間、不同階段的總時間（Prefill和Generate階段）、Token數(shù)量、Token生成速度，以及峰值內(nèi)存使用量。 ![]() 測試圖片3：內(nèi)存占用和耗時等
總得來說，模型第一次加載 6 秒鐘，首次出詞語也有體感上的慢，但是這之后速度就很穩(wěn)定，而且很快，純文字的速度更快一些。 結(jié)論 本文圍繞瑞芯微 RK3576 開發(fā)板 NPU 對多模態(tài) LLM 的支撐能力與性能展開測評，全面呈現(xiàn)其在端側(cè) AI 領(lǐng)域的價值。 端側(cè)SLM在延遲、隱私與離線可用性上的優(yōu)勢顯著，而 RK3576 憑借 8nm 制程、6TOPS自研NPU及動態(tài)稀疏化加速引擎，填補(bǔ)了旗艦與主流方案的市場空白。它針對2B-3B參數(shù)級模型專項(xiàng)優(yōu)化，輕量化視覺任務(wù)算力利用率提升 18%，NPU功耗降低 22%，30% 的成本優(yōu)勢使其在多場景快速量產(chǎn)，中高端市場占有率環(huán)比增長 47%。 技術(shù)落地方面，RKNN 與 RKLLM SDK形成互補(bǔ)生態(tài)，RKNN 保障模型兼容性，RKLLM 通過量化優(yōu)化、多模態(tài)支持等降低模型內(nèi)存占用與推理延遲。實(shí)測中，RK3576 運(yùn)行 Qwen2-VL-3B 模型時，純文字交互 Token 生成穩(wěn)定，多模態(tài)問答能精準(zhǔn)識別圖像元素，峰值內(nèi)存占用 4.58GB ，在移動終端和工業(yè)場景可靠運(yùn)行。 本文提供的環(huán)境準(zhǔn)備、模型轉(zhuǎn)換、代碼適配等實(shí)操步驟，為開發(fā)者提供了可復(fù)現(xiàn)的部署方案。RK3576 在多場景展現(xiàn)良好兼容性與穩(wěn)定性，能以低成本實(shí)現(xiàn)高準(zhǔn)確率任務(wù)。 未來，RK3576“算力精準(zhǔn)匹配場景”的設(shè)計(jì)理念或成中端AIoT核心方向，其在多維度的平衡，為端側(cè)AI部署提供高性價比選擇，助力邊緣計(jì)算規(guī)�；瘧�(yīng)用。 ![]() RK3576 工作狀態(tài)
參考資料 [1] MYD-LR3576-產(chǎn)品介紹-V1.1: https://dev.myir.cn/upload/files/product/20250211/17392600078427483.pdf [2] rknn_model_zoo: 'https://github.com/airockchip/rknn_model_zoo' [3] airockchip/rknn-llm: 'https://github.com/airockchip/rknn-llm' [4] 米爾開發(fā)平臺: 'https://dev.myir.cn/' [5] Rockchip_RKLLM_SDK_CN_1.2.1.pdf: 'https://github.com/airockchip/rknn-llm/blob/main/doc/Rockchip_RKLLM_SDK_CN_1.2.1.pdf' [6] rknpu-driver: 'https://github.com/airockchip/rknn-llm/tree/main/rknpu-driver' [7] Qwen2-VL_Demo: 'https://github.com/airockchip/rknn-llm/tree/main/examples/Qwen2-VL_Demo' [8] Qwen2-VL_Demo: 'https://github.com/airockchip/rknn-llm/tree/main/examples/Qwen2-VL_Demo' [9] Qwen2-VL-2B-Instruct: 'https://huggingface.co/Qwen/Qwen2-VL-2B-Instruct' [10] rkllm_model_zoo: 'https://console.box.lenovo.com/l/l0tXb8' [11] rkllm_model_zoo: 'https://console.box.lenovo.com/l/l0tXb8' [12] Qwen2-VL-2B_Demo segfault RK3576 using 1.2.0 version: 'https://github.com/airockchip/rknn-llm/issues/336'
| 
發(fā)表于 2025-8-29 17:54:23
收藏
頂
踩