图片

前言：

本文旨在为基于RK3572 平台的 NPU 软件开发提供完整的环境搭建指南，系统介绍RKNN3 Toolkit 及交叉编译工具链的安装与配置流程。通过清晰、可复现的操作步骤，协助开发人员与测试人员快速搭建高效的开发环境，从而加速产品研发与验证周期。

图片

一、工具背景与开发环境

RKNN3 SDK是瑞芯微面向RK1820 / RK1828 协处理器和 RK3572 SoC 推出的完整 AI 模型部署开发套件。提供了AI模型部署所需要的软件栈，包括PC端开发套件（RKNN3 Toolkit）专门用于NPU平台 AI 模型的转换、优化和性能评估；板端运行API（RKNN3 Runtime）；以及模型转换部署示例（RKNN3 Model Zoo）等。

RK3572 SoC：集成高性能NPU的SoC平台，支持直接运行AI推理任务

内存架构：NPU与CPU/GPU共享内存空间

Windows开发环境：Windows10 64bit

Linux开发环境：VMware16.2.5、Ubuntu 22.04 64bit

备注：本文所有测试均在64GB eMMC、4GB LPDDR5 配置的RK3572核心板上完成。受硬件配置、软件版本及测试环境等因素影响，不同型号或配置的核心板测试结果可能存在一定差异，具体请以实际测试结果为准。

二、RKNN3-Toolkit环境搭建和使用

 2.1  RKNN3 Toolkit安装

将rknn3-toolkit压缩包拷贝至虚拟机中，压缩包地址：Core-RK3572 核心板光盘资料\4-软件资料\3-RK3572模型案例源码\1-环境搭建\2-rknn3-toolkit-main，推荐使用ubuntu22.04版本上搭建RKNN3环境，再执行以下命令进行解压。

    tar -zxvfrknn3-toolkit.tar.gz

    搭建RKNN3环境主要分为3步：配置Python 环境、安装 Miniforge 并创建 Conda 环境，核心原因在于版本精确匹配和环境隔离这两个硬性约束。

      2.1.1 安装python环境

      若已安装Python环境，则可省略此步骤。

        sudo apt-get update
sudo apt-get install python3 python3-dev python3-pip
sudo apt-get install libxslt1-dev zlib1g zlib1g-dev libglib2.0-0 libsm6 libgl1-mesa-glx libprotobuf-dev gcc cmake

        2.1.2 安装Miniforge工具

        如果系统中同时有多个版本的Python环境，建议使用Miniforge管理Python环境。检查是否安装Miniforge和版本信息，若已安装 Miniforge，可跳过本小节。

          conda -V
# 提示conda: command not found 则表示未安装miniforge conda

          下载Miniforge安装包

            wget -c 
https://github.com/conda-forge/miniforge/releases/download/25.3.0-1/Miniforge3-25.3.0-1-Linux-x86_64.sh

            图片

            下载好提供的Miniforge安装包，开发板光盘：\Core-RK3572 核心板光盘资料\4-软件资料\3-RK3572模型案例源码\1-环境搭建\3-Miniforge\Miniforge3-25.3.0-1-Linux-x86_64.sh。

            安装Miniforge

              chmod 777 Miniforge3-25.3.0-1-Linux-x86_64.sh
bash Miniforge3-25.3.0-1-Linux-x86_64.sh

               2.2  创建RKNN3-Toolkit Conda环境

              创建aonda环境，进入Conda base环境。

                # 创建并激活环境
conda create -n toolkit3 python=3.10 #根据安装提示按y回车。
conda activate toolkit3

                图片

                退出conda环境执行如下：

                  conda deactivate

                  2.2.1 安装 RKNN3 Toolkit

                  进入rknn3-toolkit/packages目录，通过本地wheel 包安装，安装需要一段时间，确保网络环境正常状态。

                    pip install -r requirements_cp310-1.1.0.txt
pip install rknn3_toolkit-1.1.0-cp310-cp310-manylinux2014_x86_64.whl

                    若执行以下命令没有报错，则安装成功。

                      python3
>>> from rknn.api import RKNN

                      图片

                      三、交叉编译环境安装

                       3.1  安装交叉编译工具

                      在编译应用之前依赖交叉编译工具链，需要先将交叉编译工具链拷贝到ubutnu22.04环境中，交叉编译工具开发板光盘：Core-RK3572 核心板光盘资料\4-软件资料\3-RK3572模型案例源码\1-环境搭建\1-交叉编译工具链\rk3572-tool-chain.tar.gz，解压至ubuntu22.04环境中，解压命令如下：

                        tar -xzvf rk3572-tool-chain.tar.gz

                        图片

                         3.2  使用交叉编译工具

                        在当前 Linux Shell 环境中设置一个环境变量 GCC_COMPILER，用于指定 ARM64 交叉编译工具链的位置，执行如下命令进行设置，注意重新打开终端需要重新设置。

                          export GCC_COMPILER=/home/talowe/project/rk3572-tool-chain/host/bin/aarch64-buildroot-linux-gnu

                          至此，RK3572 NPU 软件开发的必备基础环境已全部配置就绪。开发者可在此基础上无缝开展模型转换、性能调优及应用程序编译等后续工作。

                          四、小编有话说

                          感谢大家的信任与支持。这份指南来自眺望电子的技术手册之一《Pi-RK3572 NPU开发环境搭建手册》，适用于RK3572核心板。更多资料可在后台留言或者联系工程师获取。如果大家在实操过程中遇到问题，也欢迎随时交流。

                          图片

                          下期预告：

                          下一篇我们将继续讲解RK3572-YOLOV5模型应用，敬请期待！

                          图片

                          广州眺望电子科技有限公司成立于2013年，是一家专注于嵌入式处理器模组研发与应用的国家高新技术企业，与国内外一线处理器品牌如NXP、瑞芯微、全志、瑞萨、ST、龙芯中科等有广泛深度的合作。

                          我们以专业的嵌入式软硬件底层技术和强大的服务支持能力，加速客户嵌入式智能产品的落地；提供长生命周期、高稳定可靠的嵌入式处理器模组产品，或客制化产品供客户大批量应用于工业、交通、电力、医疗、机器人、工业物联网等众多领域。

                          ■ 合作处理器平台

                          图片

                          ■ 系统服务

                          图片

                          # 数据库
                          Logo
                          DAMO开发者矩阵

                          DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

                          更多推荐

                          人形机器人：又一个在中国长成参天大树的东西

                          中国人形机器人很可能像中国电车一样爆发性起飞：欧美专注高规格、高成本的高端，中国更注重低成本、重落地效益的中端应用，且有广泛深厚的土壤。即便在高度自动化的化工厂、炼钢厂，也需要按人类标准设计和维护的巡检通道、楼梯、净空与照明，带轮的有腿机器人或机器狗刚好适用。全球南方或许仍需从 "低端制造业" 起步，毕竟维修、编程人员的工薪仍低于发达国家 —— 这比不上牛腿上的肉，但还是鸡腿上的肉，不是蚊子腿上的

                          avatar DAMO开发者矩阵

                          2026深度解读：Work Agent长程任务的中间校验与迭代交付机制

                          AI的能力演进，正在从单次问答交互转向具备持续执行能力的自主任务处理。早期大模型产品以单轮问答为核心，用户提出问题，模型直接返回一段文本结果，交互就此终止。随后多轮对话形态出现，用户可以持续补充信息，在同一个会话内调整需求，但任务执行逻辑依然由人主导，每一步操作都需要人工发出指令。工具调用能力落地之后，AI能够主动调用检索、计算等外部能力，不再局限于文本生成。Work Agent的出现，则把工具调

                          avatar DAMO开发者矩阵

                          Work Agent深度解读：AI长程任务如何重构自动化工作范式

                          AI技术的落地，正在从单次问答交互，转向持续自主的任务执行。早期大模型只能完成单轮问答，用户提出问题，模型给出对应回答，对话边界停留在单次信息输出。随着能力迭代，多轮对话让AI能够承接上下文，在一次会话中连续完成多轮沟通；工具调用能力进一步拓展模型边界，让AI可以调动外部工具获取信息、执行简单操作；而Work Agent代表的智能体范式，则把工具、规划、记忆、校验整合在一起，形成完整的自主任务链。

                          avatar DAMO开发者矩阵