rk3588 librga使用记录

本文详细介绍了在RK3588 Linux平台上使用RGA硬件加速器进行图像缩放的实战经验。从开发环境搭建、编译排错到性能调优，提供了完整的解决方案和避坑指南，帮助开发者高效利用RK3588的RGA模块实现图像处理加速。

**librga** 是一个开源项目，主要用于实现RGA（Raster Graphic Acceleration Unit）用户空间驱动。RGA是一个独立的2D硬件加速器，广泛应用于Rockchip芯片平台。该项目的主要编程语言是C和C++，同时也涉及CMake、Makefile等构建工具。 ## 2. 项目核心功能 librga 项目提供了以下核心功能： - **2D图形操作加速**：支持...

本文提供了一份详细的保姆级教程，指导用户在搭载RK3588芯片的Armbian系统开发板上，利用硬件加速功能编译FFmpeg。教程涵盖了从系统环境准备、编译安装关键的rkmpp与librga依赖库，到最终配置并编译支持硬件加速的FFmpeg的完整流程，并附有实战应用示例，帮助用户充分释放RK3588的多媒体处理潜力。

dma_alloc代码地址https://github.com/airockchip/librga/blob/main/samples/utils/allocator/dma_alloc.cpp。但是实测没什么用 仔细阅读了瑞芯微的FAQ文档blob:https://github.com/eeaaae94-80cd-4f9e-9659-a1bb7e877f23。但是api中没有禁用RGA2的接口，所以只能从根源解决，在设备树中禁用RGA2。在板子上可以查看RGA2的使能状态，可以看到是否禁用了。

在边缘计算和服务器架构领域，ARM架构以其高能效比和并行处理能力，正成为x86架构的重要补充。其核心原理在于通过精简指令集和模块化设计，在有限功耗下提供密集计算单元。这一技术价值体现在为云手机、AI推理和视频处理等场景提供了极具性价比的解决方案。具体到应用层面，基于瑞芯微RK3588系列SoC构建的高密度服务器集群，通过集成专用NPU和硬件编解码器，能够规模化部署轻量级虚拟实例和并行处理多路视频流。本文聚焦的RK3588服务器，正是这一技术路线的典型代表，其模块化核心板设计和BMC远程管理系统，为开发者构建

在嵌入式AI和边缘计算领域，SoC芯片的选型与开发是项目成功的关键基础。其核心原理在于通过集成CPU、GPU和专用NPU等异构计算单元，实现对复杂AI模型的高效推理与实时数据处理。这种技术架构的价值在于，能够在资源受限的边缘设备上部署如目标检测、图像识别等先进算法，从而广泛应用于智能摄像头、工业质检和车载系统等场景。本文聚焦于瑞芯微RK3588这款高性能处理器，深入探讨其在实际项目中的开发流程。针对模型部署，详细介绍了如何利用RKNN SDK进行模型转换与量化优化，以充分发挥其NPU的6 TOPS算力。同时

在嵌入式AI与边缘计算领域，SoC（片上系统）是连接硬件与智能应用的核心平台。其原理在于通过高度集成的CPU、GPU、NPU及丰富外设接口，在有限功耗和成本下实现高性能计算。这一技术价值在于极大降低了复杂智能设备的开发门槛，使其广泛应用于智能座舱、工业视觉、商显交互等场景。本文聚焦于当前热门的RK3588平台，深入探讨其作为高性能嵌入式开发核心的实践路径。文章将结合AI模型部署和系统移植等关键热词，拆解从开发环境搭建、外设驱动调试到NPU模型优化与部署的完整流程，为开发者提供从芯片能力到产品落地的工程实践指

具身智能是AI从感知走向行动的关键范式，其核心在于将自然语言指令转化为视觉识别、位姿估计、运动规划与硬件执行的闭环流程。OpenClaw作为轻量级具身智能执行引擎，依赖NPU加速推理、实时Linux调度与ROS2通信中间件协同工作；而启扬RK3588凭借6TOPS NPU、双VPU、PCIe 3.0及预集成Ubuntu 22.04 BSP，成为少有的开箱即用边缘AI平台。本文聚焦OpenClaw在RK3588上的工程化落地，覆盖NPU内存池配置、RGA零拷贝图像处理、RT-Preempt内核加固、ROS2精

本文详细解析了在RK3588开发板上部署YOLOv5+DeepSORT项目时遇到的RKNN库适配问题，提供了从版本比对、动态链接诊断到智能替换策略的全套解决方案。通过实战案例和调试技巧，帮助开发者高效解决`librknn_api.so`和`librga.so`的兼容性问题，提升项目在Rockchip平台上的稳定性和性能。

若该文为原创文章，转载请注明原文出处。2026年1月15日yolo26 开源了，这里参考“山水无移”大佬移植到正点原子的RK3568上。

本文详细介绍了在RK3588平台上利用RGA硬件加速单元进行图像缩放的完整实战流程。从环境搭建、交叉编译工具链配置，到破解库路径等常见编译难题，逐步引导开发者成功调用RGA接口。文章深入解析了Demo代码的核心逻辑，并提供了在开发板上部署测试的具体步骤，帮助开发者高效利用RK3588的RGA硬件加速能力，显著提升图像处理性能并降低CPU负载。

端侧AI部署是将训练好的神经网络模型在嵌入式设备上高效运行的过程，其核心在于利用专用硬件加速器（如NPU）实现低功耗、低延迟的实时推理。这一过程涉及模型转换、量化、编译以及硬件适配等多个环节，旨在解决边缘计算场景下的资源约束与性能需求矛盾。其技术价值在于将AI能力从云端下沉至终端，实现数据本地化处理，保障隐私并降低延迟，广泛应用于智能摄像头、工业质检、机器人等实时感知与决策场景。在RK3588这类高性能嵌入式平台上，部署如YOLOv8目标检测模型或尝试轻量化大语言模型时，关键在于构建稳健的工程化流水线。这需

本文主要记录在RK3588上跑通RKNUP的rknn_yolov5_demo的过程，并且对rknn_yolov5_demo的代码进行修改，实现在显示器上同步播放rknn_yolov5_demo视频流检测结果。参考上面RK原厂给出来的步骤就可以直接在板上调用rknn_yolov5_video_demo程序和yolov5s-640-640.rknn对图片或者视频进行出来了。上面的代码通过管道的方式，将RKNN处理完的一帧图片同步到ffplay进行播放，从而实现对摄像头人物检测的实时标注。