RK3588使用笔记：系统算法依赖库安装

一、前言

嵌入式设备随着需求的提升，不再仅仅只只运行个单机程序那么简单了，社会发展设备升级，都会逐步引用人工智能，涉及到算法模型，这里基础的部分就是算法环境的安装，有的算法是C++，大部分算法是python环境下，本文核心就是安装匹配python算法模型需求的各种环境

目录

一、前言

二、环境

三、正文

1.安装python及相关依赖库

2.常用python工具包pip在线安装命令

3.算法模型运行测试

四、结语

---

二、环境

RK3588（linux5.10.66+debian/ubuntu/麒麟是桌面文件系统）

调试笔记本window10，安装常用工具winscp，xshell，finalshell，secureRTP等等

VMware17+Ubuntu20.04源码开发环境（这里就依赖于各个硬件平台的厂家提供资料了）

三、正文

首先列出我已经安装好的模型列表requirements.txt

absl-py==2.2.1
astunparse==1.6.3
async-timeout==5.0.1
blinker==1.4
cachetools==5.5.2
certifi==2025.1.31
chardet==3.0.4
charset-normalizer==3.4.1
contourpy==1.1.1
cryptography==2.8
cupshelpers==1.0
cycler==0.12.1
dbus-python==1.2.16
defer==1.0.6
distro==1.4.0
distro-info===0.23kylin1
dnspython==1.16.0
entrypoints==0.3
flatbuffers==25.2.10
fonttools==4.55.3
gast==0.4.0
google-auth==2.38.0
google-auth-oauthlib==0.4.6
google-pasta==0.2.0
greenlet==3.1.1
grpcio==1.70.0
h5py==3.11.0
httplib2==0.14.0
idna==3.10
importlib_metadata==8.5.0
importlib_resources==6.4.5
joblib==1.4.2
keras==2.10.0
Keras-Preprocessing==1.1.2
keyring==18.0.1
kiwisolver==1.4.7
language-selector==0.1
launchpadlib==1.10.13
lazr.restfulclient==0.14.2
lazr.uri==1.0.3
libclang==18.1.1
Markdown==3.7
MarkupSafe==2.1.5
matplotlib==3.7.5
numpy==1.24.4
oauthlib==3.2.2
onboard==1.4.1
opt_einsum==3.4.0
packaging==24.2
pandas==1.2.0
pillow==10.4.0
protobuf==3.19.6
pyasn1==0.6.1
pyasn1_modules==0.4.2
pycairo==1.16.2
pycrypto==2.6.1
pycups==1.9.73
PyGObject==3.36.0
PyJWT==1.7.1
pyparsing==3.1.4
pysmbc==1.0.15.6
python-apt===2.0.0kylin2
python-dateutil==2.9.0.post0
python-debian===0.1.36kylin1
pytz==2025.2
pyxdg==0.26
PyYAML==5.3.1
redis==5.2.1
requests==2.32.3
requests-oauthlib==2.0.0
requests-unixsocket==0.2.0
rsa==4.9
scikit-learn==1.3.2
scipy==1.10.1
seaborn==0.9.0
SecretStorage==2.3.1
simplejson==3.16.0
six==1.17.0
some-package==0.1
tensorboard==2.10.1
tensorboard-data-server==0.6.1
tensorboard-plugin-wit==1.8.1
tensorflow==2.10.0
tensorflow-cpu-aws==2.10.0
tensorflow-estimator==2.10.0
tensorflow-io-gcs-filesystem==0.35.0
termcolor==2.4.0
threadpoolctl==3.5.0
typing_extensions==4.13.0
tzdata==2024.2
ubuntu-drivers-common==0.0.0
urllib3==2.2.3
wadllib==1.3.3
Werkzeug==3.0.6
wrapt==1.17.2
xkit==0.0.0
zipp==3.20.2

1.安装python及相关依赖库

目前银河麒麟系统自带python3.8.10，无需升级，暂时使用此版本，也可以手动安装一个新的版本python，前提是有网，离线安装很困难。

但此本版没有依赖库，需要安装pip包管理工具，安装方法如下：

安装pip

1.联网，首先验证网络能够正常连接sudo apt-get update，安装python3.8基础依赖

sudo apt-get install python3.8-distutils python3.8-dev

2.麒麟系统默认已经安装了python3.8.10但是没有其他的依赖库，需要安装pip做为开始

3.查看可以安装的pip版本apt-cache madison python3-pip可能支持的版本很低，没关系先安装在升级

4.在线命令更新sudo apt-get install python3-pip安装的版本可能比较低，或者比较高不是需要的指定版本

5.升级pip命令安装指定版本

python3.8 -m pip install --upgrade pip==24.2 -i https://mirrors.aliyun.com/pypi/simple/

6.验证pip安装情况

pip list

python3.8 -m pip --version

pip -V

7.永久配置镜像源

mkdir -p ~/.pip

echo -e "[global]\nindex-url = https://mirrors.aliyun.com/pypi/simple/\ntrusted-host = mirrors.aliyun.com" > ~/.pip/pip.conf

查看pip是否换源成功

cat ~/.pip/pip.conf

卸载pip

#卸载系统 apt 安装的

sudo apt-get remove python3-pip

sudo apt-get autoremove

#卸载用户级安装的

python3.8 -m pip uninstall pip setuptools

#删除所有残留的可执行文件

rm -f /usr/local/bin/pip* /usr/bin/pip* ~/.local/bin/pip*

#删除配置和缓存

rm -rf ~/.pip ~/.cache/pip

卸载python

sudo apt-get remove python3

sudo apt-get autoremove

sudo apt-get remove python3.8

sudo apt-get autoremove

sudo apt-get remove python3.9

sudo apt-get autoremove

其中，比较常用的国内镜像还包括：

1. 阿里云源

pip install -i https://mirrors.aliyun.com/pypi/simple/ [package_name]

2. 豆瓣源

pip install -i https://pypi.doubanio.com/simple/ [package_name]

3. 清华大学源

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ [package_name]

4. 华为云源

pip install -i https://mirrors.huaweicloud.com/repository/pypi/simple/ [package_name]

5. 中国科技大学源

pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ [package_name]

这些源都是基于国内的镜像站点提供的，使用这些源可以加快包的下载速度并解决连接问题。你可以根据自己的网络环境选择其中一个源，并将其作为 -i 参数传递给 pip 命令来使用。

2.常用python工具包pip在线安装命令

参照上个文档我们已经安装好了指定版本的python和pip，接下来就是按照指定版本安装相关依赖环境了，所示参照windows开发好的模型去匹配环境，一定要先确保python和pip版本一致，之后在逐步安装其他依赖环境

指定版本：

pip install numpy=1.19.1

pip --default-timeout=100 install numpy=1.19.1（防超时，设置超时时间）

pip install -i Simple Index numpy=1.19.1（使用指定源，更快，前面已经换过pip源这里就不用加了）

指定版本不行就添加 --no-binary 参数，避免二进制兼容问题

pip install numpy=1.19.1 --no-binary

在不行就去掉版本安装最新版本:

pip install numpy

升级numpy：

pip install --upgrade numpy

卸载numpy：

pip uninstall numpy

查看numpy的版本：

import numpy

print(numpy.__version__)

查看numpy的安装位置：

pip show numpy

以上命令中，pip是Python的包管理工具，numpy是要安装或管理的Python包。

在已知需求资源包requirement.txt内容时，可以通过下面pip命令快速安装相关依赖库

pip install -r requirements.txt

pip install -i Simple Index -r requirements.txt（使用指定源，更快，前面已经换过pip源这里就不用加了）

实在装不上的库尝试下列方法

sudo apt install python3-h5py

如果遇到兼容性问题（特别是aarch64架构）添加 --no-binary 参数

先安装必要依赖sudo apt-get install libatlas3-base libopenblas-base

强制从源码构建（避免二进制兼容问题）python3.8 -m pip install numpy==1.19.1 --no-binary numpy -i https://mirrors.aliyun.com/pypi/simple/

说明：使用 python3.8 -m pip 确保调用的是 Python 3.8.10 绑定的 pip，如果安装多个python版本，建议使用python3.8 -m pip install numpy==1.19.1这种方式

保存版本：生成 requirements.txt（记录所有指定版本）

python3.8 -m pip freeze > requirements.txt

PS：安装某些特殊的包

tensorflow：

先安装一些依赖

sudo apt-get update

sudo apt-get install -y \python3-dev \python3-pip \gcc \g++ \make \libhdf5-dev \libblas-dev \liblapack-dev \
pkg-config

依赖h5py先安装

python3.8 -m pip install --pre --extra-index-url https://snapshots.linaro.org/ldcg/python-cache/ h5py

安装tensorflow（特定版本匹配算法模型，否则白装）

python3.8 -m pip install --default-timeout=6000 tensorflow

指定版本

卸载之前（如需） pip uninstall tensorflow

python3.8 -m pip install --upgrade --force-reinstall \tensorflow==2.10.0 \tensorflow-estimator==2.10.0 \-i https://mirrors.aliyun.com/pypi/simple/

3.算法模型运行测试

requirement.txt列表内环境（在产品状态已经固化时使用txt列表环境安装，在调试测试阶段建议直接安装好python和pip，运行模型缺什么库就在线安装什么，会自动匹配库版本，否则txt内库不一定与模型匹配，也不一定与设备内部环境匹配，会一直安装错误报错）

测试我做的python测试程序

测试pytest_local_time.py

import datetime
import timedef display_local_time():"""持续显示本地时间"""print("本地时间显示程序 (按Ctrl+C停止)")print("----------------------------")try:while True:# 获取当前本地时间current_time = datetime.datetime.now()# 格式化输出print(f"\r当前时间: {current_time.strftime('%Y-%m-%d %H:%M:%S')}", end="", flush=True)# 每秒刷新一次time.sleep(1)except KeyboardInterrupt:print("\n程序已停止")if __name__ == "__main__":display_local_time()

执行python pytest_local_time.py

结果：

测试pytest_pandas_numpy.py

import numpy as np
import pandas as pddef test_pandas_numpy():"""测试 Pandas 和 Numpy 功能的简单程序"""print("=== Pandas 和 Numpy 测试程序 ===")# 1. 测试 Numpy 功能print("\n1. Numpy 测试:")# 创建一个 numpy 数组arr = np.array([1, 2, 3, 4, 5])print(f"创建的数组: {arr}")print(f"数组平均值: {np.mean(arr)}")print(f"数组标准差: {np.std(arr)}")# 2. 测试 Pandas 功能print("\n2. Pandas 测试:")# 创建一个简单的 DataFramedata = {'Name': ['Alice', 'Bob', 'Charlie'],'Age': [25, 30, 35],'Score': [85.5, 92.3, 88.9]}df = pd.DataFrame(data)print("创建的 DataFrame:")print(df)# 3. 测试两个库的交互print("\n3. Pandas 和 Numpy 交互测试:")# 在 DataFrame 中添加一列 numpy 计算的结果df['Score_Scaled'] = df['Score'].values * 0.8 + 20print("添加计算列后的 DataFrame:")print(df)print("\n所有测试完成！")if __name__ == "__main__":test_pandas_numpy()

执行python pytest_pandas_numpy.py

结果：

测试pytest_mostenv.py

import sys
import importlib
from termcolor import colored# 需要测试的包列表
PACKAGES_TO_TEST = [('absl-py', None),('astunparse', lambda: astunparse.unparse(ast.parse("x = 1"))),('async_timeout', None),('cachetools', None),('certifi', None),('charset_normalizer', None),('contourpy', None),('cycler', None),('fonttools', None),('gast', None),('google.auth', None),('google.auth.oauthlib', None),('google.pasta', None),('greenlet', None),('grpcio', None),('h5py', lambda: h5py.__version__),('idna', None),('importlib_metadata', None),('importlib_resources', None),('joblib', None),('keras', lambda: keras.__version__),('keras_preprocessing', None),('kiwisolver', None),('markdown', lambda: markdown.markdown("**test**")),('markupsafe', lambda: markupsafe.escape("<html>")),('matplotlib', lambda: matplotlib.__version__),('numpy', lambda: numpy.array([1, 2, 3]).sum()),('oauthlib', None),('opt_einsum', None),('packaging', None),('pandas', lambda: pandas.Series([1, 2, 3]).mean()),('PIL', lambda: PIL.__version__),  # Pillow('pip', lambda: pip.__version__),('protobuf', lambda: protobuf.__version__),('pyasn1', None),('pyasn1_modules', None),('pyparsing', None),('dateutil', lambda: dateutil.__version__),  # python-dateutil('pytz', lambda: pytz.utc.zone),('yaml', lambda: yaml.safe_dump({"test": 1})),  # PyYAML('redis', None),('requests', lambda: requests.__version__),('requests_oauthlib', None),('rsa', None),('sklearn', lambda: sklearn.__version__),  # scikit-learn('scipy', lambda: scipy.__version__),('seaborn', lambda: seaborn.__version__),('setuptools', lambda: setuptools.__version__),('six', lambda: six.__version__),('some_package', None),('tensorboard', lambda: tensorboard.__version__),('tensorboard_plugin_wit', None),('tensorflow', lambda: tensorflow.__version__),('tensorflow_estimator', None),('termcolor', lambda: termcolor.colored("test", "red")),('threadpoolctl', None),('tzdata', None),('urllib3', lambda: urllib3.__version__),('werkzeug', lambda: werkzeug.__version__),('wheel', lambda: wheel.__version__),('wrapt', None),('zipp', None)
]def test_package(package_name, test_func=None):"""测试单个包是否能正常导入和使用"""try:# 动态导入包module = importlib.import_module(package_name.replace('-', '_'))globals()[package_name.replace('-', '_')] = module# 如果有测试函数则执行if test_func:test_func()return True, Noneexcept Exception as e:return False, str(e)def main():print(colored("=== 开始环境依赖测试 ===", "green", attrs=["bold"]))print(f"Python 版本: {sys.version}\n")results = []total = len(PACKAGES_TO_TEST)success = 0for package, test_func in PACKAGES_TO_TEST:# 特殊处理某些包的导入名称display_name = packageif package == 'PIL':display_name = 'pillow'elif package == 'yaml':display_name = 'PyYAML'elif package == 'sklearn':display_name = 'scikit-learn'elif package == 'dateutil':display_name = 'python-dateutil'ok, error = test_package(package, test_func)status = colored("✓ 成功", "green") if ok else colored(f"✗ 失败: {error}", "red")results.append((display_name, status))if ok:success += 1# 打印结果表格print("\n" + colored("测试结果:", "cyan", attrs=["bold"]))for name, status in results:print(f"{name.ljust(25)} {status}")# 汇总统计print("\n" + colored("测试汇总:", "cyan", attrs=["bold"]))print(f"总包数: {total}")print(f"成功: {success}")print(f"失败: {total - success}")print(colored(f"成功率: {success/total*100:.2f}%", "green" if success == total else "yellow"))if success == total:print(colored("\n所有依赖包测试通过!", "green", attrs=["bold"]))else:print(colored("\n部分依赖包测试失败!", "red", attrs=["bold"]))if __name__ == "__main__":main()

执行python pytest_mostenv.py

结果：

测试实际项目算法测试程序

将predict文件夹的BIlstm.py和data2.csv放入目标机中

执行python BIlstm.py

结果：

报错

Tensorflow版本不能超过2.13，卸载安装2.10.0版本

再次测试执行python BIlstm.py

可以看见一直再跑数据

最后这个模型就不公开了，保密要求，其实测试AI生成的py程序，测试环境就ok了

四、结语

算法环境是基础

环境安装好了再去研究如何使用

方法就有很多了，可以只运行python程序，可以结合qt程序或其他程序，可以使用redis中间件做数据信息同步转发等等。