做邊緣計算、AI視覺產品，卻在瑞芯微一堆芯片里看花眼？RV1126B、RK3562、RK3576、RK3588雖有明面上NPU性能數據，但實測表現到底怎么樣？觸覺智能就一次性把四款熱門芯片的 AI 能力講清楚，方便開發者直接參考。

測試環境說明

本次測試均基于相同的瑞芯微原廠rknn_yolov5_demo環境，采用統一的 yolov5s-640-640 模型和 640*640 分辨率測試圖片。使用的RKNN框架，框架提供完整的 "模型轉換-部署-推理" 解決方案。可幫助用戶快速地將AI模型部署到Rockchip芯片，整體框架圖：

測試demo可關注觸覺智能電子發燒友，添加客服134-2385-6106獲取。

性能測試

下載Demo

測試前，需先下載rknn_yolov5_demo測試demo，可關注觸覺智能公眾號，添加客服134-2385-6106獲取。下載后傳輸至開發板根目錄即可。

RV1126B NPU性能測試

解壓demo并切換目錄，命令如下：

root@rv1126b-buildroot:/# unzip rknn_yolov5_demo_Linux.zip root@rv1126b-buildroot:/# cd rknn_yolov5_demo_Linux

執行如下命令運行demo：

root@rv1126b-buildroot:/# chmod a+x rknn_yolov5_demo root@rv1126b-buildroot:/# ./rknn_yolov5_demo ./model/RV1126B/yolov5s-640-640.rknn ./model/bus.jpg

執行完后會得到轉換后的模型圖片，如下所示：

RV1126B運行結果如下：

分析結果：

首次運行耗時約：26.897000ms

連續運行10次的平均耗時：26.042500ms

幀率估算：約 38.4 FPS (1000ms / 26.042500ms ≈ 38.4)

• RK3562 NPU性能測試

解壓demo均可使用此命令：

unzip rknn_yolov5_demo_Linux.zip

完成解壓后輸入以下命令：

root@linaro-alip:/# cd install/rknn_yolov5_demo_Linux root@linaro-alip:/# chmod a+x rknn_yolov5_demo root@linaro-alip:/# ./rknn_yolov5_demo ./model/RK3562/yolov5s-640-640.rknn ./model/bus.jpg

執行完后會得到轉換后的模型圖片，與RV1126B圖片一致，就不再放了。

RK3562運行結果如下：

分析結果：

首次運行耗時約：66.165000ms

連續運行10次的平均耗時：51.885ms

幀率估算：約19.3FPS (1000ms/51.885ms≈19.3)

RK3576 NPU性能測試

解壓demo均可使用此命令：

unzip rknn_yolov5_demo_Linux.zip

完成解壓后輸入以下命令：

root@linaro-alip:/# cd install/rknn_yolov5_demo_Linux root@linaro-alip:/# chmod a+x rknn_yolov5_demo root@linaro-alip:/mnt/rknn-toolkit2-master/rknpu2/examples/rknn_yolov5_demo/install/rknn_yolov5_demo_Linux# ./rknn_yolov5_demo ./model/RK3576/yolov5s-640-640.rknn ./model/bus.jpg

執行完后會得到轉換后的模型圖片，與RV1126B圖片一致就不再放了。

RK3576運行結果如下：

分析結果：

首次運行耗時約：55.395000ms

連續運行10次的平均耗時：23.7342ms

幀率估算：約42.1FPS (1000ms/23.7342ms≈42.1)

RK3588 NPU性能測試

解壓demo均可使用此命令：

unzip rknn_yolov5_demo_Linux.zip

完成解壓后輸入以下命令：

root@linaro-alip:/rknpu2/examples/rknn_yolov5_demo# cd install/rknn_yolov5_demo_Linux/ root@linaro-alip:/rknpu2/examples/rknn_yolov5_demo/install/rknn_yolov5_demo_Linux# chmod a+x rknn_yolov5_demo root@linaro-alip:/rknpu2/examples/rknn_yolov5_demo/install/rknn_yolov5_demo_Linux# ./rknn_yolov5_demo ./model/RK3588/yolov5s-640-640.rknn ./model/bus.jpg

執行完后會得到轉換后的模型圖片，與RV1126B圖片一致就不再放了。

RK3588運行結果如下：

分析結果：

首次運行耗時約：30.887000ms

連續運行10次的平均耗時：21.2581ms

幀率估算：約47.0FPS (1000ms/21.2581ms≈47.0)

更多瑞芯微方案相關資料，請關注深圳觸覺智能電子發燒友，添加官方客服134-2385-6106，每個芯片方案還提供近80個G的軟硬件資料與Demo助力項目開發運行。

測試結果對比

• 測試數據匯總表

如圖所示：

• 對比結果總結分析

本次測試均基于相同的rknn_yolov5_demo環境，采用統一的yolov5s-640-640模型和640*640分辨率測試圖片，測試條件一致，結果具有較強的參考性。

從核心性能指標來看，四款芯片的 NPU 處理能力呈現明顯梯度差異：

1. 幀率表現（實時性）：RK3588 以 47.0 FPS 的幀率位居第一，是四款芯片中實時處理能力最強的型號；其次是 RK3576（42.1FPS），兩者均突破 40FPS，能滿足高實時性場景（如高清視頻流目標檢測）的需求；RV1126B 的38.4FPS表現穩健，處于中高端水平；RK3562的19.3FPS則顯著低于其他三款，實時性表現較弱。

2. 運行耗時（效率）：平均耗時與幀率呈反向關聯，RK3588 以 21.2581 ms的平均耗時實現效率最優；RK3576 雖首次運行耗時（55.395ms）較高，推測受首次模型加載緩存開銷影響，但連續運行后平均耗時降至 23.7342ms，RK3576效率接近RK3588,考慮到售價，RK3576是名副其實的性價比之王；RV1126B的首次運行耗時（26.897ms）和平均耗時（26.0425ms）差異較小，表現出出色的運行穩定性，無明顯加載開銷帶來的性能波動；RK3562 的首次耗時（66.165ms）和平均耗時（51.885 ms）均為四款中最高，處理效率偏低。

3. 場景適配建議：RK3588 和 RK3576 適合對目標檢測實時性要求嚴苛的場景，如智能監控、自動駕駛輔助等；RV1126B 憑借穩定的中高端性能和低波動表現，可適配對穩定性要求較高的邊緣計算設備（如智能網關、小型 AI 盒子）；RK3562 則更適合對實時性要求不高、成本敏感的輕量級 AI 應用（如簡單圖像識別、低速設備智能交互）。

整體來看，四款芯片的NPU性能排序為：RK3588>RK3576>RV1126B> RK3562，其中RK3588在效率和實時性上優勢顯著，RK3576展現出 “首次加載略弱RK3588、連續運行持平RK3588” 的特點，RV1126B以穩定性見長，RK3562則更側重成本控制下的基礎AI處理能力。