部署 LiteRT 模型

您可以使用预编译的 label_image 示例应用程序、LiteRT C++ API 或 Qualcomm IM SDK 的 gst-ai-classification 管道，在 Qualcomm 开发套件上运行 LiteRT 模型。

部署之前，请确保您已完成前提条件和模型设置。

作为原生应用程序部署

label_image 示例应用程序是 TensorFlow 仓库的一部分，与 LiteRT 库交叉编译并安装在目标设备上。它加载一个分类 LiteRT 模型，并使用委托（delegate）对图像执行推理。 使用 XNNPACK 委托在 CPU 上运行：

label_image -l ${HOME}/artifacts/labels.txt \
            -i ${HOME}/artifacts/grace_hopper.bmp \
            -m ${HOME}/artifacts/mobilenet_v1_1.0_224_quant.tflite \
            -c 10 \
            -p 1 \
            --xnnpack_delegate 1

使用 GPU 委托在 GPU 上运行：

label_image -l ${HOME}/artifacts/labels.txt \
            -i ${HOME}/artifacts/grace_hopper.bmp \
            -m ${HOME}/artifacts/mobilenet_v1_1.0_224.tflite \
            -c 10 \
            -p 1 \
            --gl_backend 1

有关源代码，请参阅 TensorFlow GitHub 仓库中的 label_image 示例。

作为 C++ 应用程序部署

下图显示了创建 C++ 应用程序以运行 LiteRT 模型所涉及的步骤：

加载 LiteRT 模型

LiteRT 模型是一个 FlatBuffers 文件，包含模型算子、权重和偏置。使用以下 API 加载模型以进行推理：

#include <cstdio>
#include <iostream>
#include "tensorflow/lite/interpreter.h"
#include "tensorflow/lite/kernels/register.h"
#include "tensorflow/lite/model.h"
#include "tensorflow/lite/optional_debug_tools.h"

std::unique_ptr<tflite::FlatBufferModel> model;

model = tflite::FlatBufferModel::BuildFromFile(model_name.c_str());

if (!model) {
    std::cerr << "Failed to mmap model " << model_name << std::endl;
    exit(-1);
}

创建 LiteRT 解释器

解释器在选定的委托上配置模型执行，并为前向传播分配内存：

tflite::ops::builtin::BuiltinOpResolver resolver;
tflite::InterpreterBuilder builder(*model, resolver);
std::unique_ptr<tflite::Interpreter> interpreter;
builder(&interpreter);

if (!interpreter) {
    std::cerr << "Failed to construct interpreter on provided tflite model" << std::endl;
}
if (interpreter->AllocateTensors() != kTfLiteOk) {
    std::cerr << "Failed to allocate tensors!" << std::endl;
    exit(-1);
}

使用委托准备模型

以下示例创建 XNNPACK 委托，用于在 Arm® CPU 上运行 LiteRT 模型：

TfLiteXNNPackDelegateOptions xnnpack_options = TfLiteXNNPackDelegateOptionsDefault();
xnnpack_options.num_threads = num_threads;

TfLiteDelegate* xnnpack_delegate = TfLiteXNNPackDelegateCreate(&xnnpack_options);
if (interpreter->ModifyGraphWithDelegate(xnnpack_delegate) != kTfLiteOk) {
    // Report error and fall back to another delegate, or the default backend
}

准备输入/输出缓冲区

运行推理之前，请对输入数据（例如摄像头帧）进行预处理，使其符合模型期望的格式。常见的预处理步骤包括：

将输入图像调整为模型期望的分辨率
归一化
均值减除

运行推理

使用 Invoke() API 运行推理。完成后，从解释器中解析输出张量：

interpreter->Invoke();

有关完整示例，请参阅 TensorFlow GitHub 仓库中的 label_image 示例。有关更多信息，请参阅 LiteRT 文档。

使用 Qualcomm IM SDK 部署

gst-ai-classification 示例应用程序使用 Qualcomm IM SDK 插件，在具备硬件加速的 Qualcomm 开发套件上运行 LiteRT 分类模型。该管道从摄像头接收视频流，执行预处理，在 AI 硬件上运行推理，并显示结果：

Qualcomm Linux 上使用 Qualcomm IM SDK 的 LiteRT 模型管道 — 使用 Qualcomm IM SDK 的 LiteRT 模型管道

gst-ai-classification 应用程序会：

以指定的分辨率和帧率（例如 1080p、30 fps）打开 IMX577 摄像头。
对每个摄像头帧进行预处理——缩小到 224×224，并根据模型要求进行归一化。
加载 LiteRT 分类模型，并使用 qtimltflite 插件运行推理。
从输出张量中提取预测概率最高的标签。
将推理结果叠加在原始摄像头帧上，并显示在连接的显示器上。

IQ-2390 不支持 camera 用例。

下载模型和标签文件

下载 Inception-v3 量化模型

访问 Qualcomm AI Hub，下载 Inception-v3 量化模型。

下载标签文件

curl -L -O https://raw.githubusercontent.com/qualcomm/sample-apps-for-qualcomm-linux/refs/heads/main/artifacts/json_labels/classification.json

在目标设备上创建所需的目录

ssh root@<IP_ADDRESS_OF_TARGET_DEVICE>

mkdir -p ${HOME}/Downloads/qimsdk_samples/models ${HOME}/Downloads/qimsdk_samples/labels ${HOME}/Downloads/qimsdk_samples/media

exit

将模型和标签文件复制到设备

scp classification.json root@<IP_ADDRESS_OF_TARGET_DEVICE>:~/Downloads/qimsdk_samples/labels

scp inception_v3-inception-v3-w8a8.tflite root@<IP_ADDRESS_OF_TARGET_DEVICE>:~/Downloads/qimsdk_samples/models/inception_v3_quantized.tflite

运行示例应用程序

使用 SSH 登录目标设备

ssh root@<IP_ADDRESS_OF_TARGET_DEVICE>

将视频文件下载到设备

将视频文件下载到设备上的 /etc/media/video.mp4：

wget -O ${HOME}/Downloads/qimsdk_samples/media/video.mp4 https://github.com/qualcomm/sample-apps-for-qualcomm-linux/raw/refs/heads/main/qualcomm-linux/artifacts/videos/video.mp4 

使用示例配置文件运行分类应用程序

gst-ai-classification --config-file=/etc/configs/config_classification.json

此命令使用 /etc/configs/config_classification.json 中的示例配置运行应用程序。要停止应用程序，请按 Ctrl+C。

（可选）使用自定义配置文件运行分类应用程序

您可以通过 --config-file 指定路径来使用自定义配置文件：

gst-ai-classification --config-file=/path/to/config_classification.json

如果指定了 --config-file，应用程序将使用该文件。否则，它将按以下顺序搜索 config_classification.json：

优先级	位置	说明
1	通过 `--config-file` 提供的路径。	使用命令行中指定的配置文件。
2	`$XDG_CONFIG_HOME/qimsdk_samples/config_classification.json`	设置了该环境变量时，使用用户定义的配置目录。
3	`$HOME/.config/qimsdk_samples/config_classification.json`	在 `XDG_CONFIG_HOME` 中未找到文件时，使用默认的用户配置目录。
4	`/etc/configs/config_classification.json`	使用系统级配置文件作为最终回退。

要创建用户专属配置，请将示例文件复制到用户配置目录：

export XDG_CONFIG_HOME="$HOME/.config"
mkdir -p "$XDG_CONFIG_HOME/qimsdk_samples"
cp /etc/configs/config_classification.json "$XDG_CONFIG_HOME/qimsdk_samples/config_classification.json"

要查看可用的命令行选项，请运行：

gst-ai-classification -h

编辑 config_classification.json 配置文件：

{
   "file-path": "video.mp4",
   "ml-framework": "tflite",
   "model": "inception_v3_quantized.tflite",
   "labels": "classification.json",
   "threshold": 40,
   "runtime": "dsp",
   "output-type": "waylandsink"
}

应用程序使用 $HOME/Downloads/qimsdk_samples 作为其构件目录。指定相对路径或文件名时，会相对于下方对应的子目录进行解析。绝对路径则按原样使用。

配置字段	相对路径的解析结果
`file-path`	`$HOME/Downloads/qimsdk_samples/media/video.mp4`
`model`	`$HOME/Downloads/qimsdk_samples/models/inception_v3_quantized.tflite`
`labels`	`$HOME/Downloads/qimsdk_samples/labels/classification.json`

运行应用程序：

gst-ai-classification

运行时，应用程序会在连接的显示器上显示视频流，并在每一帧上叠加推理结果。

简介

架构

关键文档

技术

系统

发布说明

作为原生应用程序部署

作为 C++ 应用程序部署

加载 LiteRT 模型

创建 LiteRT 解释器

使用委托准备模型

准备输入/输出缓冲区

运行推理

使用 Qualcomm IM SDK 部署

下载模型和标签文件

运行示例应用程序

简介

架构

关键文档

技术

系统

发布说明

​作为原生应用程序部署

​作为 C++ 应用程序部署

​加载 LiteRT 模型

​创建 LiteRT 解释器

​使用委托准备模型

​准备输入/输出缓冲区

​运行推理

​使用 Qualcomm IM SDK 部署

​下载模型和标签文件

​运行示例应用程序

作为原生应用程序部署

作为 C++ 应用程序部署

加载 LiteRT 模型

创建 LiteRT 解释器

使用委托准备模型

准备输入/输出缓冲区

运行推理

使用 Qualcomm IM SDK 部署

下载模型和标签文件

运行示例应用程序