（十二）rk3568 NPU 中部署自己训练的模型，（1）使用yolov5训练自己的数据集-环境搭建部分

rk3568中带有0.8T算力的NPU，可以完成一些轻量级的图像识别任务。

本文向零基础人员介绍从windows中搭建训练环境，模型训练、模型转换到rknn模型部署到电路板上全部过程。
rk3568npu支持caffe、darknet、onnx、pytorch、tensorflow等多种框架。
本人使用的是pytorch框架的yolov5s算法训练的模型。yolov5在yolov3的基础上有很大提高，在保持准确率的情况下，模型更小，更适合轻量化的嵌入式产品部署。

1、下载和安装nvidia显卡驱动

下载对应你的英伟达显卡驱动。

NVIDIA 驱动下载：https://www.nvidia.cn/Download/index.aspx?lang=cn

2、下载CUDA

cuda下载链接：https://developer.nvidia.com/cuda-downloads?
target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal

3、下载cuDNN
cudnn下载地址：https://developer.nvidia.com/cudnn

这个需要有账号。

以上三个都是按照自己的电脑显卡配置、以及操作系统来下载的，不可以随意下载。 

4、安装cuda
(1) 将cuda运行安装，建议默认路径

(2) 安装完成后设置环境变量

 计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和
CUDA_PATH_V10_2两个环境变量。
接下来，还要在系统中添加以下几个环境变量：
这是默认安装位置的路径: C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v10.2
CUDA_SDK_PATH = C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v10.2
CUDA_LIB_PATH = %CUDA_PATH%\\lib\\x64
CUDA_BIN_PATH = %CUDA_PATH%\\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\\bin\\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\\common\\lib\\x64

 在系统变量 Path 的末尾添加：
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
再添加如下5条（默认安装路径）：
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v10.2\\lib\\x64
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v10.2\\include
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v10.2\\extras\\CUPTI\\lib64
C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v10.2\\bin\\win64
C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v10.2\\common\\lib\\x64

 注：与CUDA Samples相关的几个路径也可以不设置

5、安装cuDNN
复制cudnn文件
对于cudnn直接将其解开压缩包，然后需要将bin,include,lib中的文件复制粘贴到cuda的文件夹下
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v10.2
注意：对整个文件夹bin,include,lib复制粘贴

7）CUDA安装测试
最后测试cuda是否配置成功：
打开CMD执行：nvcc -V
即可看到cuda的信息

说明配置成功