上一个章节我们介绍的RKNN模型的模型转换和模型的推理，这一章节我们将介绍模型的量化和评估部分。

2.3 RKNN模型的量化

        量化就是将浮点转换为定点运算的过程，或者训练后由rknn来量化。量化模型使用较低精度（如int8/uint8/int16）保存模型的权重信息，在部署时可以使用更少的存储空间，获得更快的推理速度。但各深度学习框架训练、保存模型时，通常使用浮点数据，所以模型量化是模型转换过程中非常重要的一环。RKNN Toolkit目前对量化模型的支持主要有以下两种形式：

• RKNN Toolkit根据用户提供的量化数据集，对加载的浮点模型进行量化，生成量化的RKNN 模型。
  • 支持的量化精度类型：int16，int8，uint8
  • 量化方式：训练后静态量化
  • 支持的量化粒度：per-tensor（或 per-layer），不支持 per-channel 量化
• 由深度学习框架导出量化模型，RKNN Toolkit加载并利用已有的量化信息,生成量化 RKNN 模型。
  • 支持的深度学习框架：PyToch(v1.9.0)、ONNX(Onnxruntime v1.5.1)、Tensorflow、TFLite
  • 支持的量化精度类型：int8, uint8
  • 量化方式：训练后静态量化, 量化感知训练(QAT)

以下代码为量化的示例代码：

# 导入RKNN库  
from rknn.api import RKNN  # 创建RKNN对象  
rknn = RKNN()  # 加载已训练的模型，例如TensorFlow或PyTorch模型  
# 这里以TensorFlow Frozen Graph为例  
model_path = 'your_model.pb'  
rknn.load_tensorflow(model=model_path, inputs=['input_tensor'], outputs=['output_tensor'])  # 配置量化  
rknn.config(quantized_enable=True, quantized_dtype='int8')  # 编译模型  
print("编译模型...")  
rknn.compile()  # 进行量化  
print("量化模型...")  
rknn.quantize()  # 导出量化后的模型  
output_model_path = 'quantized_model.rknn'  
rknn.export(output_model_path)  print("量化完成，模型已保存到：", output_model_path)  # 释放RKNN对象  
rknn.release()

2.4 RKNN模型的评估

        通过模型转换得到 RKNN 模型后，可以使用RKNN Toolkit在Rockchip NPU开发板上对模型的准确性、性能、内存使用情况进行评估。评估的流程如下所示：

模型评估主要分三部分进行：准确性评估、性能评估和内存评估。

1. 准确性评估：评估 RKNN 模型推理结果的准确性。
2. 性能评估：评估 RKNN 模型在指定开发板上推理时的耗时。 
3. 内存评估：评估 RKNN 模型推理时在 Rockchip NPU 上的内存使用情况。

2.5 RKNN模型的加密

        为了避免模型的结构、权重等信息泄漏，RKNN Toolkit提供模型加密功能。 RKNN Toolkit 提供 3 个加密等级，等级越高，安全性越高，解密越耗时；反之，安全性越低，解密越快。

 

加密模型的部署流程和普通一样，不需要解密等额外操作。