在嵌入式AI领域，瑞芯微（Rockchip）RK系列NPU凭借低功耗、高兼容性的特性，广泛应用于智能监控、边缘计算、物联网设备等场景。近期发布的《RKNN Compiler Support Operator List v2.0.0-beta》文档，不仅更新了6大主流平台的算子支持细节，还新增了exSDPAttention、exMatMul等硬件加速算子，为开发者提供了更清晰的开发指引。

今天就带大家全面梳理这份文档的核心内容，从平台特性到算子细节，从开发注意事项到场景适配，帮你快速找到适合自身需求的RK NPU方案。

一、平台全景：6大系列各有侧重，覆盖从入门到高端

瑞芯微RK NPU家族涵盖从入门级到高端旗舰的全场景需求，每个平台在算子支持、性能优化上各有侧重，开发者可根据设备算力、功耗、精度需求精准选型。

1. RK3566/3568：入门级嵌入式AI首选

•核心定位：低功耗、小算力场景，适合对成本敏感的嵌入式设备

•算子支持：基础算子全覆盖——Add/Sub/Mul、卷积（Conv/Depthwise Conv）、池化（Global Avg/MaxPool、AveragePool）、激活函数（ReLU、LeakyReLU、Mish）均支持；部分支持GRU/LSTM（扩展为exGRU/exLSTM算子），满足轻量时序模型需求。

•数据类型：int8（量化推理）、float16（半精度推理）双支持，平衡精度与性能。

•关键约束：Global AveragePool的height范围需注意——RKNN-Toolkit2支持[1,343]，Compiler仅支持[1,7]；Transpose仅支持5种固定轴顺序（如perm=[0,3,1,2]）。

•适用场景：智能家居设备（如智能音箱、小家电AI交互）、小型监控摄像头、低功耗物联网传感器。

2. RK3588：高端旗舰，多核协同提升AI性能

•核心定位：中高端边缘计算，支持多任务并发推理

•算子亮点：

◦新增exSDPAttention（注意力机制）、exMatMul（矩阵乘）硬件加速，适配Transformer类模型（如轻量NLP模型）；

◦卷积类Fuse OP成熟：支持Conv+ReLU/Clip/Sigmoid/Tanh等10 +种组合，减少算子调度开销；

◦Softmax硬件支持channel/width双方向（axis=1/3），channel最大支持8192。

•独家特性：业内首个支持多核协同的RK NPU平台，Add、Conv、Concat等基础算子已实现多核并行，算力利用率提升40%+。

•适用场景：高端智能相机（多目标检测+跟踪）、边缘AI网关（同时处理视频分析+数据转发）、工业质检设备。

3. RV1103/1106：低功耗安防专用，优化监控场景

•核心定位：安防领域低功耗方案，主打轻量视觉推理

•算子优化：针对监控场景强化——Global Pool、Conv算子适配小分辨率视频流；支持exSoftmaxMask（带掩码的Softmax），可快速实现目标遮挡场景的推理修正。

•数据类型：以int8为主（量化推理功耗更低），部分支持float16，适配安防场景的低精度需求。

•关键优势：Transpose支持NCHW转NHWC等4种模式，且对齐要求宽松（8bit 16对齐、16bit 8对齐），视频数据格式转换效率更高。

•适用场景：智能门铃、低功耗摄像头（电池供电）、车载环视（轻量感知任务）。

4. RK3562：中端均衡之选，强化时序模型支持

•核心定位：中端嵌入式AI，平衡算力与成本

•算子特色：

◦支持GRU（exGRU）算子，sequence/input_size分别要求4/8对齐，适配时序数据（如语音、传感器时序）；

◦LayerNorm支持预归一化（pre_norm），可防止推理溢出，适配Transformer类模型；

◦硬件支持exSDPAttention，轻量NLP任务推理速度提升明显。

•适用场景：工业检测（如流水线缺陷识别）、中端物联网设备（带语音交互的智能终端）。

5. RK3576：V2.0.0-beta新增平台，聚焦Transformer优化

•核心定位：新发布中端平台，主打Transformer模型适配

•算子亮点：

◦硬件支持exSDPAttention、exMatMul，解决Transformer模型在嵌入式设备上的推理瓶颈；

◦Conv+Add+ReLU等组合Fuse OP全覆盖，CNN模型推理效率优化；

◦多核协同初步支持（Conv、Depthwise Conv），后续版本将扩展更多算子。

•适用场景：需要兼顾CNN与Transformer推理的设备（如带文本分类的图像识别终端）、边缘AI盒子。

6. RK2118：简化开发，float16专属平台

•核心定位：轻量浮点推理场景，降低多精度适配成本

•独特之处：仅支持float16数据类型，无需兼顾int8量化适配，开发流程简化；基础算子（Conv、Pool、激活函数）全覆盖，exGlu算子支持，满足轻量浮点模型需求。

•约束说明：无int8支持，不适合对功耗、算力要求严苛的场景。

•适用场景：对推理精度要求高的轻量设备（如医疗便携检测设备、高精度传感器数据处理终端）。

二、核心共性与差异化：开发者必知的关键特性

1.全平台共性优势

•数据类型：除RK2118外，均支持int8（量化）+float16（半精度），兼顾“低功耗”与“高精度”需求；

•基础算子全覆盖：Add、Sub、Mul、Conv、Pool（Avg/Max）、激活函数（ReLU、Sigmoid、Mish）等核心算子全平台支持，模型迁移成本低；

•广播机制统一：遵循ONNX NCHW规范，支持4种广播方式（如A (N,C,H,W)与B (C,1,1)、B (H,W)广播），算子调用逻辑一致；

•Fallback保障：不支持的算子自动转CPU执行（CPU支持ArgMin/ArgMax、GRU、InstanceNormalization等超100种算子），模型兼容性拉满；

•GPU辅助：GPU仅支持MatMul算子（float16，需设置GPU优先），满足矩阵乘场景的算力补充。

2.平台差异化亮点速查表

平台	核心优势	数据类型	独家特性	适用场景
RK3566/3568	入门级成本低	int8/float16	无	低功耗小设备
RK3588	多核协同，算力强	int8/float16	多核并行、exSDPAttention	高端边缘计算
RV1103/1106	低功耗，安防优化	int8为主	Transpose效率优化	低功耗摄像头
RK3562	时序模型支持	int8/float16	exGRU、LayerNorm pre_norm	工业检测、语音交互
RK3576	新平台，Transformer优化	int8/float16	硬件exMatMul	多模型融合设备
RK2118	简化开发，浮点专属	float16 only	无int8适配成本	高精度轻量设备

三、开发避坑指南：关键约束与建议

1.输入输出规格需注意

◦宽度对齐：零拷贝API下，RK3566/3568（int8 channel=1,3,4时8对齐）、RK3588（int8 16对齐）、RV1103/1106（16对齐），需通过w_stride属性查询实际对齐要求；

◦维度限制：多数平台默认支持4维输入（NCHW），非4维输入需CPU fallback；

◦输出Layout：NC1HWC2格式需Channel对齐（如RK3588 int8最后一层卷积需32对齐）。

1.算子约束要牢记

◦Concat/Split：Channel方向需对齐（8bit 8对齐、16bit 4对齐，RK3576/RK2118为16/8对齐）；

◦Resize：仅支持最近邻/线性插值，放大倍数≤8倍；

◦GRU/LSTM：sequence建议4对齐，hidden_size建议8对齐，双向模式仅支持batch=1。

1.版本选择有技巧

◦优先使用V2.0.0-beta版本：新增RK3576/RK2118支持，修复历史约束（如RK3588 Transpose限制），硬件加速算子更丰富；

◦参考配套文档：《Rockchip_RKNPU_User_Guide_RKNN_SDK》可获取零拷贝API、mean/scale配置细节，避免踩坑。

四、结语：RK NPU，嵌入式AI的灵活工具箱

瑞芯微RK系列NPU通过6大平台的差异化布局，覆盖了从入门到高端、从低功耗到高性能的全场景嵌入式AI需求。无论是需要成本敏感的小家电，还是追求算力的边缘网关，亦或是专注安防的低功耗摄像头，都能找到适配的方案。

随着V2.0.0-beta版本新增硬件加速算子（exSDPAttention、exMatMul）和新平台支持，RK NPU的Transformer模型适配能力进一步增强，为嵌入式AI开发者提供了更灵活的选择。

如需获取完整算子支持列表（含详细参数约束、输入输出计算示例），可参考瑞芯微官方文档《RKNN Compiler Support Operator List v2.0.0-beta》，也欢迎在评论区交流你的开发场景，一起探讨RK NPU的最佳实践！