Rockchip · AI & Linux Hub

KI-Inferenz

Edge-KI und Multimedia mit RK3588S: Produkte mit CM7S und Sige7S planen

Bildanalyse, Displays und eigene Geräte mit RK3588S planen: Beschleunigung, Modelle und Abnahmekriterien.

· ArmSoM · 2 Min. Lesezeit

Ein gutes RK3588S-System verteilt Aufgaben auf passende Hardwareeinheiten und vermeidet unnötige Kopien. CM7S und Sige7S bieten dafür einen Einstieg. Die folgenden Szenarien sind Entwicklungsvorschläge, keine nachgewiesenen Kundeninstallationen oder Benchmarks.

Lokale Bildanalyse

Eine typische Kette lautet: Kamera oder Stream → Aufnahme/Decodierung → Skalierung und Formatwandlung → NPU-Inferenz → Nachverarbeitung → Anzeige oder Ergebnisübertragung. Die CPU übernimmt Anwendungslogik, Hardwarecodecs geeignete Videodaten, RGA passende Bildoperationen und die NPU konvertierte, unterstützte Modelle.

Hardwareeinheiten des RK3588S

Für einen Sige7S-Prototyp zunächst eine validierte Eingabequelle verwenden. Eine CM7S-Trägerplatine wird interessant, wenn Sensorwahl, Isolation oder Gehäuse eigene Hardware verlangen. Ein sichtbares Kamerabild genügt nicht: Belichtung, Weißabgleich, Verzeichnung und IQ-Abstimmung beeinflussen die Inferenzqualität.

Interaktive Displays und Videoterminals

Grafik, Videodecodierung und Displayverarbeitung machen RK3588S für Informationsterminals und lokale Videoanwendungen interessant. Eine 8K-Decoderangabe bedeutet nicht, dass jeder Browser, Player und Anschluss 8K ausgibt. Format, Beschleunigungspfad, Kabel und Display müssen zusammenpassen.

Mit realen Inhalten testen: Bittiefe, Codec, Untertitel und UI-Komposition verändern die Last. Bei paralleler KI zusätzlich Speicherlast, Temperatur und Ende-zu-Ende-Latenz messen, nicht nur den Spitzenwert einer Einheit.

Integration in eigene Geräte

CM7S ermöglicht anwendungsspezifische Trägerplatinen und Steckverbinder. CAN oder RS485 auf Systemebene benötigen außerdem Transceiver, Schutzbeschaltung und gegebenenfalls Isolation. Ein interner Controller ist noch kein anschlussfertiger Feldbusport.

Software und Abnahme

Rockchips RKNN-Toolkit2 stellt Werkzeuge für Konvertierung und Bereitstellung bereit. Das ältere RKNN-Toolkit ist dazu nicht kompatibel. Für Sprachmodelle ist RKNN-LLM separat zu prüfen. Entscheidend sind Operatoren und Beispiele der eingesetzten Version; Framework-Unterstützung garantiert keine beliebige Modellkompatibilität.

Phase Dokumentieren
Konvertierung Toolversion, Modellhash, Eingabeform, Kalibrierungsdaten
Genauigkeit Vergleich vor/nach Konvertierung mit demselben Datensatz
Bereitstellung Boardrevision, Image, Kernel, Treiber und Runtime
Leistung Latenz, Durchsatz, CPU-Last, Temperatur und Leistungsaufnahme
Zuverlässigkeit Dauerbetrieb, Neustart nach Stromausfall, ungültige Eingaben, Speicherlebensdauer

Mit einem reproduzierbaren Beispiel beginnen, danach eigene Modelle und Daten einsetzen. ArmSoM-Dokumentation und RKNN-Beiträge unterstützen den Entwicklungsweg. Bildrate, Energiebedarf und Genauigkeit erst nach Messung am Zielgerät als Produktleistung angeben.

Weiterführende Artikel und Produkte

Produkte und Entwicklungsunterlagen

Dieses Thema entdecken → · Lernpfade →