香橙派 RK3588 部署千问大模型 Qwen2-VL-2B 推理视频

演示视频

一、场景假设

视频输入为一条网络流，利用大模型对视频中的图像帧进行推理。由于大模型推理耗时长，无法对每帧都进行推理，因此采用跳帧推理的方式：当推理完一帧后，期间会跳过若干帧，然后立即推理最新的一帧。

二、处理流程

1. 拉流

• 使用 ffmpeg 拉取 rtsp 流，进行解封装得到 h264。

• 为保证传输稳定，配置为 rtsp over tcp。

2. 视频解码

通过 mpp 解码 h264，得到 nv12 图像。

3. 图像转换

利用 rga 将 nv12 图像进行放缩和转 rgb 操作，此过程采用 letterbox 方式，主要目的是保持宽高等比放缩。

4. 图像编码

使用 rknn 将 rgb 图像编码成大模型能够理解图像所用的图像向量。

5. 推理

借助 rknn 将提示词和图像向量输入大模型进行推理，推理结果直接打印出来。

6. 渲染

将用于推理的图像（即图像编码前的图像），通过 qt 适配 qwidget 和 opengles 的方式进行渲染。

三、使用模型

• Qwen2-VL-2B_llm_w8a8_rk3588.rkllm

• Qwen2-VL-2B_vision_rk3588.rknn

四、主要耗时

• 图像编码模型加载：5s

• 大模型加载：7s

• 图像编码：3s

• 大模型推理：5s

注意：模型加载仅在程序开始时进行一次即可。

五、资源占用

• CPU：145%（满载 800%）

• 内存：5GB

• NPU：50%~99%

• 温度：69℃