RK3588实战：调用npu加速，yolov5识别图像、ffmpeg发送到rtmp服务器

2024-02-27 服务器 0

前言：最近在学习一些rk3588相关的东西，趁着这个项目，把学习的相关东西整合下，放到一个项目里面，巩固学习的知识。

项目名称：yolov5识别图像、ffmpeg发送到rtmp服务器

功能：1、opencv读取usb摄像头，使用RK3588自带的NPU推理yolov5s算法，识别图像

2、使用ffmpeg，将处理的图像进行压缩成h264格式，发送到rtmp服务器上。

2023.3.4补充：

这两天搞了一下OpenCL相关的，顺带在rk3588上运行了一下。对项目的图像转化部分做了一个调整。以前用的是OpenCV提供API，将BGR转化为RBG格式，现在用OpenCL调用GPU转化。自己写的用CPU完成这个功能的代码，运行时间大概在11.09317ms，调用GPU运行的时间平均在2.15199ms（均调用100次，取平均值），速度还是有比较大的提升，GPU在大规模数据运算效率是高不少。这里放下GPU运行的内核函数代码，写的很简单，供参考。

/*   功能：使用GPU，见BGR像素转化为RGB格式   dst_img_buffer: 转化好的图像存放缓存区，RGB格式   src_img_buffer: 原始图像，BGR格式   img_w: 图像宽   img_h: 图像高，代码未用到   无返回值 */__kernel void bgr2rgb(	__global unsigned char* dst_img_buffer,	__global const unsigned char* src_img_buffer,	const int img_w,	const int img_h){	int w = get_global_id(0);	int h = get_global_id(1);	dst_img_buffer[(h * img_w + w) * 3 + 0] = src_img_buffer[(h * img_w + w) * 3 + 2];	dst_img_buffer[(h * img_w + w) * 3 + 1] = src_img_buffer[(h * img_w + w) * 3 + 1];	dst_img_buffer[(h * img_w + w) * 3 + 2] = src_img_buffer[(h * img_w + w) * 3 + 0];}

在makefile里面添加OpenCL相关的部分。

OPENCL_LDLIBS = -lmaliOPENCL_LDLIBS_PATH = -L/usr/lib/aarch64-linux-gnu

以后有时间再更新OpenCL部分。

一、环境搭建

本次用到的组件有opencv、ffmpeg、npu相关的库，因此，需要先安装环境。

1、rk3588固件

笔者这里用的系统固件是RK官网的ubuntu固件，名字为：ROC-RK3588S-PC_Ubuntu20.04-Gnome-r2202_v1.0.4b_221118.7z。使用官方提供的下载工具 RKDevTool_Release_v2.84下载固件到板子里面。具体方式不说了，参考一下官方的资料下栽进去即可。

2、opencv编译

opencv是图像处理用到的比较多的一个开源库。在官方的资料里面，可以通过交叉编译，编译出来opencv库，笔者电脑实在拉跨，rk的sdk编译不出来，因此，就直接在rk3588板子里面编译opencv，不得不说，rk3588性能确实强，编译opencv这种库，一会就好了，好像比我虚拟机的ubuntu系统编译的还要快。笔者这里用的是opencv-4.5.4.zip这个版本的opencv。准备好源码之后，开始编译。具体如下：

1）安装必要的库

sudo apt-get install build-essential cmake cmake-gui g++ pkg-config libgtk2.0-dev

2）解压源码、进入对应的目录

mkdir build

cd build

cmake -D CMAKE_BUILD_TYPE=RELEASE -D WITH_TBB=ON -D WITH_V4L=ON -D WITH_GTK=ON -D WITH_OPENGL=ON ..

make -j16 && make install

我这里安装到默认的目录下，也可以使用-D CMAKE_INSTALL_PREFIX=../install安装到指定的目录下面。opencv参考网上的博客安装下就行了，遇到的问题，网上基本都有解决方案。

3、ffmpeg安装

本次使用的压缩格式是h264，ffmpeg里面没有带相关的源码，因此，在ffmpeg编译之前，需要先编译libx264库。准备好libx264源码，笔者用到的是x264.tar.bz2。这里直接给出configure配置，同样是直接安装到默认目录，需要的话，可以使用--prefix=../install指定对应的目录。

./configure --enable-shared --enable-static --disable-cli --enable-pic
make -j16 && make install

编译ffmpeg之前，还需要编译openssl，本次用到的版本是openssl-3.1.0-alpha1.tar.gz。rk3588上，直接

./configure
make -j16 && sudo make install

ffmpeg类似，本次用到的版本是ffmpeg-snapshot.tar.bz2。给出configure

./configure --target-os=linux --arch=arm64 --enable-shared --enable-ffmpeg --enable-pthreads --enable-libx264 --enable-libsrt --enable-gpl
make -j16 && sudo make install

编译的时候会遇到一些问题，请百度，参考其他的博主的，写这篇文章的时候，项目已经做好了，具体有哪些问题也记不太清了，百度上都有解决方法。若是遇到有些库找不到路径，可以添加链接路径，或者建立软链接都可以。环境上的问题基本上都比较容易解决。若是rk3588里面缺少了其他的库，请对照网上的教程安装。

4、rtmp服务器安装

网上很多rtmp服务器的安装，这里给一个博客链接，供小伙伴参考。

nginx搭建rtmp服务器_普通网友的博客-CSDN博客

搭建好nginx（虚拟机ubuntu），编译好ffmpeg（rk3588开发板）之后，可以使用如下指令测试在rk3588板子上是否能够正常运行。

ffmpeg -re -stream_loop -1 -i 1.mp4 -vcodec libx264 -acodec aac -f flv rtmp://192.168.1.102:1935/live/test

其中，1.mp4是测试视频，使用h264编码（用到了libx264），192.168.1.100是笔者局域网的服务器ip，1935是端口号。使用ffplay等带拉流的软件，输入

ffplay rtmp://192.168.1.100:1935/live/test，正常情况下可以看到音视频流。

ffmpeg指令推流界面

ffplay播放

二、代码流程

这里，基本知识如h264编码等不谈，若是需要相关背景知识，请参考网上其他博主的文章。本篇博文主要从代码角度，谈谈怎么实现功能并给出参考代码。

代码流程如图。

首先，需要初始化ffmpeg、opencv、npu相关部分。ffmpeg编程的时候，需要配置一些参数，输入流使用的是opencv打开的摄像头。需要初始化、打开编码器、初始化上下文。

    video->codec = avcodec_find_encoder(AV_CODEC_ID_H264);    if (!video->codec) {		printf("Codec '%s' not found/n", "h264");		return -1;	}    video->codec_ctx = avcodec_alloc_context3(video->codec);    if (!video->codec_ctx) {		printf("codec_ctx alloc fail/n");		return -1;	}    video->codec_ctx->width = width; // 设置编码视频宽度 	video->codec_ctx->height = height; // 设置编码视频高度    video->codec_ctx->bit_rate = 50 * 1024 * 8;   //50kb    video->codec_ctx->codec_id = video->codec->id;     video->codec_ctx->thread_count = 8;	video->codec_ctx->time_base.num = 1;	video->codec_ctx->time_base.den = fps; // 设置帧率，num为分子，den为分母，如果是1/25则表示25帧/s	video->codec_ctx->framerate.num = fps;	video->codec_ctx->framerate.den = 1;    video->codec_ctx->pix_fmt = AV_PIX_FMT_YUV420P; // 设置输出像素格式    //画面组的大小，多少帧一个关键帧    video->codec_ctx->gop_size = 50;    video->codec_ctx->max_b_frames = 0;    ret = avcodec_open2(video->codec_ctx, video->codec, NULL);	if (ret < 0){		printf("open codec fail/n");		return -1;	}

摄像头输入的是YUV格式，openCV打开的摄像头，输入的则是BGR格式，用ffmpeg转码的时候需要将BGR转化为YUV420P格式。使用ffmpeg，定义一个转化算法。

// 创建视频重采样上下文：指定源和目标图像分辨率、格式video->swsCtx = sws_getContext(width, height, AV_PIX_FMT_BGR24,							   width, height, AV_PIX_FMT_YUV420P,							   SWS_BICUBIC,NULL, NULL, NULL);

代码中，video是笔者自定义的一个结构体，用于管理代码。上面width、height是输入图像的格式，输入格式为BGR，下面width、height是输出图像的格式，输入格式为YUV420P。同时，需要创建两个视频帧，用于保存视频帧数据，一个是BGR，一个YUV420P。video结构体：

//定义输入流，一般使用摄像头struct input_video_stream{    //使用opencv打开输入流    VideoCapture                cap;                  // capture      Mat                         img;    int                         width, height;        //宽高    int                         fps;                  //帧率    AVFormatContext             *fmt_ctx;};//定义输出流struct output_video_stream{   const AVOutputFormat          *fmt;   AVFormatContext               *fmt_ctx;   AVStream                      *stream;   AVPacket                      *packet;    const AVCodec                 *codec;  //编码器   };struct h_video{    struct input_video_stream          input_video_stream;    struct output_video_stream         output_video_stream;    const AVCodec                      *codec;      //编码器	AVCodecContext                     *codec_ctx;  // 给编码器分配内存，返回对应编码器上下文    SwsContext                         *swsCtx;     //用于转化视频格式    AVFrame                            *rgbFrame;   //存放RGB格式的数据帧        AVFrame                            *yuvFrame;   //存放YUV格式的数据帧         AVPacket                           *pkt;        //packet包，存放处理过的压缩数据 };

struct input_video_stream、struct output_video_stream、struct h_video笔者是定义的用于管理相关资源。

BGR、YUV420P帧均需要地方存放，需要初始化两个视频帧。

//创建BGR视频帧video->rgbFrame = av_frame_alloc();video->rgbFrame->format = AV_PIX_FMT_BGR24;video->rgbFrame->width = width;video->rgbFrame->height = height;ret = av_frame_get_buffer(video->rgbFrame, 32); //创建YUV视频帧并配置video->yuvFrame = av_frame_alloc();video->yuvFrame->format = AV_PIX_FMT_YUV420P;video->yuvFrame->width = width;video->yuvFrame->height = height;ret = av_frame_get_buffer(video->yuvFrame, 32);

packet用于存放转码之后的视频数据。

video->pkt = av_packet_alloc();if (!video->pkt){	printf("pkt alloc fail/n");	return -1;}av_init_packet(video->pkt);

ffmpeg处理的代码基本上就这些。

初始化、配置npu部分，参考了rk的例程。

这里直接放我封装的调用rknn识别图像的类代码吧，

头文件

#ifndef __DETECET_H#define __DETECET_H #include <dlfcn.h>#include <stdio.h>#include <stdlib.h>#include <string.h>#include <sys/time.h>#include <iostream>#include <sstream>#define _BASETSD_H#include "RgaUtils.h"#include "im2d.h"#include <opencv2/opencv.hpp>#include <opencv2/highgui.hpp>#include <opencv2/imgproc.hpp>#include <opencv2/videoio.hpp>#include "postprocess.h"#include "rga.h"#include "rknn_api.h"#define PERF_WITH_POST 1using namespace cv;	    //OpenCV标准库class detect{public:    rknn_context             ctx;    rknn_sdk_version         version;    rknn_input_output_num    io_num;    struct timeval           start_time, stop_time;    size_t                   actual_size = 0;    int                      img_width;    int                      img_height;    int                      img_channel;    const float              nms_threshold      = NMS_THRESH;    const float              box_conf_threshold = BOX_THRESH;    rga_buffer_t             src;    rga_buffer_t             dst;    im_rect                  src_rect;    im_rect                  dst_rect;    char                     *model_path;                                 detect(char* model_name);                            ~detect();    int                      rknn_envs_init(const char* model_path);    int                      rknn_envs_free();    int                      detect_image(Mat &orig_img, detect_result_group_t *detect_result_group);    int                      draw_results(Mat &orig_img, detect_result_group_t *detect_result_group);private:    int                      model_data_size;    unsigned char            *model_data;    unsigned char*           load_data(FILE* fp, size_t ofst, size_t sz);    unsigned char*           load_model(const char* filename, int* model_size);    };#endif

cpp文件

#include "./include/detect.h"using namespace cv;	    //OpenCV标准库using namespace std;	//C++标准程序库中的所有标识符都被定义于一个名为std的namespace中detect::detect(char* model_path){        int ret = 0;    memset(&src_rect, 0, sizeof(src_rect));    memset(&dst_rect, 0, sizeof(dst_rect));    memset(&src, 0, sizeof(src));    memset(&dst, 0, sizeof(dst));    this->model_path =  model_path;}detect::~detect(){    }/**************************************************************************    功能: 内部使用，读取rknn格式的模型文件数据    参数说明        fp：文件句柄      ofst: 偏移量      sz: 模型大小    返回值: 0表示成功***************************************************************************/unsigned char* detect::load_data(FILE* fp, size_t ofst, size_t sz){  unsigned char* data;  int            ret;  data = NULL;  if (NULL == fp) {    return NULL;  }  ret = fseek(fp, ofst, SEEK_SET);  if (ret != 0) {    printf("blob seek failure./n");    return NULL;  }  data = (unsigned char*)malloc(sz);  if (data == NULL) {    printf("buffer malloc failure./n");    return NULL;  }  ret = fread(data, 1, sz, fp);  return data;}/**************************************************************************    功能: 内部使用，加载rknn格式的模型文件    参数说明        filename：模型路径      model_size: 模型大小    返回值: 0表示成功***************************************************************************/unsigned char* detect::load_model(const char* filename, int* model_size){  FILE*          fp;  unsigned char* data;  fp = fopen(filename, "rb");  if (NULL == fp) {    printf("Open file %s failed./n", filename);    return NULL;  }  fseek(fp, 0, SEEK_END);  int size = ftell(fp);  data = load_data(fp, 0, size);  fclose(fp);  *model_size = size;  return data;}/**************************************************************************    功能: 初始化rknn模型的运行环境    参数说明        model_path：rknn格式的模型路径    返回值: 0表示成功***************************************************************************/int detect::rknn_envs_init(const char* model_path){    int ret = 0;        /* 加载rknn文件，创建网络 */    model_data_size = 0;    model_data      = load_model(model_path, &model_data_size);    ret             = rknn_init(&ctx, model_data, model_data_size, 0, NULL);    if (ret < 0) {        printf("rknn_init error ret=%d/n", ret);        return -1;    }    ret = rknn_query(ctx, RKNN_QUERY_SDK_VERSION, &version, sizeof(rknn_sdk_version));    if (ret < 0) {        printf("rknn_query RKNN_QUERY_SDK_VERSION error ret=%d/n", ret);        return -1;    }    // printf("sdk version: %s driver version: %s/n", version.api_version, version.drv_version);    ret = rknn_query(ctx, RKNN_QUERY_IN_OUT_NUM, &io_num, sizeof(io_num));    if (ret < 0) {        printf("rknn_init RKNN_QUERY_IN_OUT_NUM error ret=%d/n", ret);        return -1;    }    return 0;}/**************************************************************************    功能: 识别之后的图像，在原始图像上绘制结果方框    参数说明        orig_img：待绘制图像，原始图像      detect_result_group: 存放模型推理输出的结果    返回值: 0表示成功***************************************************************************/int detect::draw_results(Mat &orig_img, detect_result_group_t *detect_result_group){    char text[256];    //printf("count: %d/n", detect_result_group.count);    for (int i = 0; i < detect_result_group->count; i++) {                     //处理推理结果        detect_result_t* det_result = &(detect_result_group->results[i]);          sprintf(text, "%s %.1f%%", det_result->name, det_result->prop * 100);        printf("name: %s @ size:(%d %d %d %d) %f/n", det_result->name, det_result->box.left, det_result->box.top,                det_result->box.right, det_result->box.bottom, det_result->prop);        int x1 = det_result->box.left;        int y1 = det_result->box.top;        int x2 = det_result->box.right;        int y2 = det_result->box.bottom;        rectangle(orig_img, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3);        putText(orig_img, text, cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));    }    imshow("窗口", orig_img);    cv::waitKey(1);     return 0;}/**************************************************************************    功能: 将传入的图像进行识别，结果保存到detect_result_group    参数说明        orig_img：待识别图像，分辨率任意，最好大于 [640 × 640]      detect_result_group: 存放模型推理输出的结果    返回值: 0表示成功***************************************************************************/int detect::detect_image(Mat &orig_img, detect_result_group_t *detect_result_group){    int ret = 0;    void* resize_buf = nullptr;    rknn_tensor_attr input_attrs[io_num.n_input];  //存放输入参数    //先对传来的图像进行处理    Mat img;   //用于NPU推理的图像    Mat tImg;  //用于图像的转化    cvtColor(orig_img, tImg, cv::COLOR_BGR2RGB);    resize(tImg, img, Size(640, 640), 0, 0, cv::INTER_NEAREST);    //模型的输入图像分辨率为[640 × 640], 原始图像需要缩放一次    img_width  = img.cols;    img_height = img.rows;    memset(input_attrs, 0, sizeof(input_attrs));    for (int i = 0; i < io_num.n_input; i++) {        input_attrs[i].index = i;        ret                  = rknn_query(ctx, RKNN_QUERY_INPUT_ATTR, &(input_attrs[i]), sizeof(rknn_tensor_attr));        if (ret < 0) {          printf("rknn_init error ret=%d/n", ret);          return -1;        }    }    rknn_tensor_attr output_attrs[io_num.n_output];  //存放输出参数    memset(output_attrs, 0, sizeof(output_attrs));    for (int i = 0; i < io_num.n_output; i++) {        output_attrs[i].index = i;        ret                   = rknn_query(ctx, RKNN_QUERY_OUTPUT_ATTR, &(output_attrs[i]), sizeof(rknn_tensor_attr));    }    //模型的输入通道数、宽、高      int channel = 3;    int width   = 0;    int height  = 0;    if (input_attrs[0].fmt == RKNN_TENSOR_NCHW) {  //输入的通道数、宽、高            channel = input_attrs[0].dims[1];            width   = input_attrs[0].dims[2];            height  = input_attrs[0].dims[3];    } else {        width   = input_attrs[0].dims[1];        height  = input_attrs[0].dims[2];        channel = input_attrs[0].dims[3];    }    rknn_input inputs[1];  //存放输入图像相关参数    memset(inputs, 0, sizeof(inputs));     inputs[0].index        = 0;    inputs[0].type         = RKNN_TENSOR_UINT8;    inputs[0].size         = width * height * channel;    inputs[0].fmt          = RKNN_TENSOR_NHWC;    inputs[0].pass_through = 0;    if (img_width != width || img_height != height) {  //长宽和模型输入不一致，resize一次        resize_buf = malloc(height * width * channel);        memset(resize_buf, 0x00, height * width * channel);        src = wrapbuffer_virtualaddr((void*)img.data, img_width, img_height, RK_FORMAT_RGB_888);        dst = wrapbuffer_virtualaddr((void*)resize_buf, width, height, RK_FORMAT_RGB_888);        ret = imcheck(src, dst, src_rect, dst_rect);        if (IM_STATUS_NOERROR != ret) {            printf("%d, check error! %s", __LINE__, imStrError((IM_STATUS)ret));          return -1;        }        inputs[0].buf = resize_buf;   //    } else {        inputs[0].buf = (void*)img.data;  //存放图像数据    }    gettimeofday(&start_time, NULL);      //开始时间    rknn_inputs_set(ctx, io_num.n_input, inputs);  //设置NPU的输入，    rknn_output outputs[io_num.n_output];   //存放输出结果    memset(outputs, 0, sizeof(outputs));    for (int i = 0; i < io_num.n_output; i++) {      outputs[i].want_float = 0;    }    ret = rknn_run(ctx, NULL);  //使用模型推理    ret = rknn_outputs_get(ctx, io_num.n_output, outputs, NULL);  //获得模型结果    gettimeofday(&stop_time, NULL);        //结束时间       // 后处理    float scale_w = (float)width / img_width;    float scale_h = (float)height / img_height;    scale_w = (float)width / orig_img.cols;    scale_h = (float)height / orig_img.rows;    std::vector<float>    out_scales;    std::vector<int32_t>  out_zps;    for (int i = 0; i < io_num.n_output; ++i) {      out_scales.push_back(output_attrs[i].scale);      out_zps.push_back(output_attrs[i].zp);    }    //将模型推理的结果存放到detect_result_group    post_process((int8_t*)outputs[0].buf, (int8_t*)outputs[1].buf, (int8_t*)outputs[2].buf, height, width,                box_conf_threshold, nms_threshold, scale_w, scale_h, out_zps, out_scales, detect_result_group);      ret = rknn_outputs_release(ctx, io_num.n_output, outputs);    return 0;}/**************************************************************************    功能: 释放资源    参数说明  无    返回值: 0表示成功***************************************************************************/int detect::rknn_envs_free(){    //释放资源           int ret = 0;                 // release    ret = rknn_destroy(ctx);    if (model_data) {      free(model_data);    }}

代码都比较简单，注释也比较详细。不懂的可以私聊博主。

detect类使用的时候，初始化一下环境，

 detect.rknn_envs_init(detect.model_path);

然后就可以使用NPU推理图像了，传入参数为openCV的Mat格式图像，结果保存在detect_result_group。

detect_result_group_t detect_result_group; detect.detect_image(orig_img, &detect_result_group);

最后，就是将图像进行编码成h264格式、发送给rtmp服务器了，将关键代码贴出。

uint8_t *src_data[4];int src_linesize[4];        //BGR24--->YUV420av_image_fill_arrays(src_data, src_linesize, orig_img.data, AV_PIX_FMT_BGR24, orig_img.cols, orig_img.rows, 1);cv::Size frameSize = orig_img.size();int cvLinesizes[1];cvLinesizes[0] = orig_img.step1();        av_image_copy(h_video.rgbFrame->data, h_video.rgbFrame->linesize, (const uint8_t **)src_data, src_linesize, AV_PIX_FMT_BGR24, orig_img.cols, orig_img.rows);sws_scale(h_video.swsCtx, &orig_img.data, cvLinesizes, 0, height, h_video.yuvFrame->data, h_video.yuvFrame->linesize);    h_video.yuvFrame->pts = i++;video_encode(&h_video.output_video_stream,h_video.codec_ctx, h_video.yuvFrame,h_video.pkt);

video_encode代码在下面。

int video_encode(struct output_video_stream *out_stream,AVCodecContext *enc_ctx, AVFrame *frame, AVPacket *pkt){	int ret; 	/* send the frame to the encoder */	if (frame)		printf("Send frame %lld/n", frame->pts); 	ret = avcodec_send_frame(enc_ctx, frame);	if (ret < 0) {		printf("Error sending a frame for encoding/n");		return -1;	}	while (ret >= 0) {        ret = avcodec_receive_packet(enc_ctx, pkt);        if (ret == AVERROR(EAGAIN) || ret == AVERROR_EOF){            return -1;        } else if (ret < 0) {            printf("Error during encoding/n");            return -1;        }        //推流        pkt->pts = av_rescale_q(pkt->pts,out_stream->stream->time_base,out_stream->stream->time_base);        pkt->dts = av_rescale_q(pkt->dts,out_stream->stream->time_base,out_stream->stream->time_base);        // 往输出流写入数据        av_interleaved_write_frame(out_stream->fmt_ctx, pkt);        av_packet_unref(pkt);    }}

整个项目做的都比较简陋，供大家学习参考吧，路过的大佬请轻喷，笔者只是个初学者。

代码部分参考了rk给的npu例子和网上各路大神的代码，在此一并感谢。

笔者编译用的是makefile进行编译程序，这里给出笔者的makefile部分，供小伙伴参考。

TARGET_NAME=appCPPFLAGS = -g -fpermissive -std=c++11 -Wall -static CPP = g++CPPFILES = main.cpp video.cpp detect.cpp postprocess.cppLDLIBS := LDLIBS_PATH:=INCS_PATH:=RKNN_LDLIBS = -ldl -lmpimmz -lrga -lrknn_api -lrknnrtRKNN_LDLIBS_PATH = -L./libRKNN_INCS_PATH = -I./includeOPENCV_LDLIBS = -lopencv_calib3d -lopencv_core -lopencv_dnn -lopencv_features2d -lopencv_flann -lopencv_gapi -lopencv_highgui -lopencv_imgcodecs -lopencv_imgproc -lopencv_ml -lopencv_objdetect -lopencv_photo -lopencv_stitching -lopencv_video -lopencv_videoioOPENCV_INCS_PATH = -I/usr/local/include/opencv4FFMPEG_LDLIBS = -lavformat -lavdevice  -lavcodec  -lavutil  -lswresample  -lavfilter  -lpostproc  -lswscale  -lSDL2 LDLIBS += $(FFMPEG_LDLIBS) $(OPENCV_LDLIBS) $(RKNN_LDLIBS) LDLIBS_PATH += -L/usr/local/lib $(RKNN_LDLIBS_PATH)INCS_PATH += $(OPENCV_INCS_PATH) -I/usr/local/include $(RKNN_INCS_PATH)all:$(TARGET_NAME)$(TARGET_NAME):	$(CPP) -o ${TARGET_NAME} ${CPPFILES}   ${INCS_PATH}  ${LDLIBS_PATH}  ${LDLIBS} 	@echo "end"clean:	rm -rf *.o $(TARGET_NAME)